在无网格法中,节点形函数影响域的大小决定了离散节点之间的相互联系,因此形函数影响域的大小对无网格法的计算精度有直接重要的影响。但由于无网格形函数构造形式较为复杂,目前形函数影响域大小的选择仍然缺乏系统的理论依据,在实际计算中通常凭借经验选取,人为因素影响大,难以保证计算精度。此外,在无网格大变形动力分析中,多次的迭代求解使计算较为耗时。卷积神经网络是一种对空间特征敏感的机器学习方法,尤其是其感受野与无网格形函数的影响域具有内在相似性,因此在无网格法的形函数影响域选择和数值解求解方面有很好的适用性。本文基于感受野与影响域的相似性,构造了无网格法内禀卷积神经网络,然后基于该网络进行了无网格形函数影响域优化选择和数值解高效预测。首先,基于感受野和影响域的内在相似性,对卷积神经网络的结构框架设计和超参数选择进行了系统的分析,提出了一种无网格法内禀卷积神经网络结构的设计方法。依托该方法,针对无网格稳态势问题的形函数影响域和数值解,建立了分步优化和同步优化的卷积神经网络结构。随后,基于长短期记忆网络与Newmark法时程分析的内在相似性,在无网格内禀卷积神经网络的基础上引入长短期记忆模块,提出了内禀长短期记忆无网格卷积神经网络设计方法,并基于该方法构造了无网格瞬态势问题与弹性力学问题数值解高效预测的网络结构。最后,在内禀长短期记忆无网格卷积神经网络的基础上,结合损伤值和特定激活函数的相似性,发展了边坡大变形损伤破坏无网格模拟的卷积神经网络设计方法。文中通过系列稳态问题、瞬态问题和边坡损伤破坏问题等算例系统地验证了无网格内禀卷积神经网络的有效性。