在各种工程实际问题中,数值模拟已经成为结构力学性能分析及验算的常用技术。随着研究的问题日益复杂化,利用基于结构物理模型的计算方法尽管能够获取较为准确的模拟结果,但需耗费大量的时间;而且在优化设计、灵敏度分析等这种需要反复模拟的任务中,已有的计算结果无法复用,导致计算量大且效率低。而深度神经网络代理模型则是一种基于数据驱动的近似模型,能有效降低求解计算量,且能够通过迁移学习实现知识的复用,有助于快速求解复杂的力学问题。深度神经网络由于其强大的数据处理能力而受到各界关注,尤其对图像、语音、文字等数据表现出优越的学习分析能力,其能够通过学习获得输入与输出的内在联系,对于复杂的分类与回归问题普遍具有良好的适用性。相较于传统代理模型,深度神经网络能够自适应的提取不同尺度上的数据特征,能够有效地处理高维数据之间的非线性映射问题。因此,本文提出一种针对力学计算的深度神经网络代理模型建立方法,并根据薄板弯曲算例测试结果提出损失函数与网络结构的改进方案,然后对少样本下神经网络模型的构建技术做了一定研究,分别针对模型与数据集提出了迁移学习与数据增强方法,并应用于密封垫的参数分析。具体工作如下:（1）基于深度学习基本理论,结合U-Net网络与残差网络提出一种深度神经网络代理模型方法,利用平面结构算例验证了深度神经网络预测结构响应的可行性,并针对结果局部出现的不光滑现象,通过增加梯度损失与修改上采样方法的方式加以改善;结合遗传算法对模型在优化问题中的性能进行测试,结果显示,深度神经网络模型能够满足结构优化工作中计算精度的需求,且能够大幅度提升优化效率。（2）由于实际应用中,大量地制作高质量样本较为困难,本文针对该问题分别使用迁移学习和数据增强技术实现少样本数据集上深度神经网络的建立。利用迁移学习技术实现了模型的复用,通过迁移网络模型在近似任务中学习到的知识,有效地解决了少样本下深度神经网络模型泛化能力低的问题;而在缺乏可迁移模型时,本文根据算例的样本特征并结合现有数据增强方法,给出了两种数据增强方案,使得模型精度能够接近充足样本时建立的网络模型。（3）针对盾构密封垫制造误差对其防水性能的影响,本文利用基于深度神经网络的代理模型对密封垫上表面接触应力进行预测;采用拉丁超立方抽样方法生成结构参数序列,并结合Spearman秩相关系数,计算得到各参数对防水性能指标的影响程度。结果显示,代理模型能准确的预测密封垫上表面接触应力分布,且灵敏度分析结果符合实际情形,对密封垫设计、加工有一定参考意义。