数值模拟的不确定性问题随着CFD技术在船舶水动力学研究中的广泛应用而日益显著,如何提高CFD方法对船桨相互作用问题的预报能力是船舶CFD技术发展中的一个持续性难题,也是进一步提高船舶设计水平的必然需求。本文围绕船桨相互作用的湍流模拟问题,针对湍流模型及船体几何输入两类主要不确定性源,建立适用于高维非线性复杂相互作用过程的正向不确定性传播分析方法和逆向不确定性量化分析方法,对数值模拟过程中的模型参数不确定性、模型结构不确定性及几何不确定性开展系统的研究。首先,本文针对船桨相互作用问题中的不确定性正向传播分析和逆向量化分析两类需求和需要处理的高维数据类型,基于变分自动编码器发展了统一的可扩展深度贝叶斯模型,可以配合卷积神经网络、高斯过程模型、本征正交分解（POD）实现不同维度物理场间映射关系的代理建模,并系统的验证了其对典型类型的输入输出关系的学习能力和逆向贝叶斯估计算法的分析能力。在此基础上,本文从伴流场预报的角度对比了不同湍流封闭方式的影响,针对湍流模型的参数不确定性问题,选取工程中常用的两方程湍流模型,在深度贝叶斯模型框架内提出以高斯过程模型为编码器、二维卷积神经网络为解码器、POD分解及全连接神经网络为辨别器的参数映射网络。并在此基础上应用迭代形式的集合卡尔曼滤波算法对基准模型参数进行了逆向估计,融合PIV观测速度场对基准模型的模型参数进行了重新校准。进一步地,针对线性涡粘假设的局限性,重点以无参数方式对湍流模型的结构不确定性开展研究,应用特征值分解分析常用湍流模型的雷诺应力张量各向异性的可实现性问题,并建立包括特征值分解、约束采样、雷诺应力张量扰动施加及基于冻结求解器的RANS方程扰动项植入在内的三维湍流物理场雷诺应力扰动的采样施加方法。在深度贝叶斯模型框架内,提出以三维卷积神经网络为编码器和解码器的深度代理模型,并应用迭代形式的集合卡尔曼滤波算法实现雷诺应力场不确定性的逆向分析,融合PIV观测数据对各向异性张量的不确定性源进行了逆向估计,有效提升了RANS方法对船体伴流场的预报能力。针对船体几何不确定性问题,本文在深度贝叶斯模型框架内发展了基于点云神经网络的深度编码器和解码器,以船体曲面的NURBS表达以及伴流场的POD分析方法为基础,结合修正的三维Fisher矢量方法提出了几何不确定性扰动采样及传播分析的深度代理模型,并重点研究了不同尺度艉部几何扰动对船体阻力及伴流场预报结果的影响模式。最后,本文以粘势耦合方法考虑船桨相互作用过程中湍流模型及几何不确定性的传播过程,分别在深度贝叶斯模型框架内为船体对船后螺旋桨性能的影响以及螺旋桨对船体阻力的影响构建不确定性预报模型。在此基础上,重点阐述了本文所发展的不确定性分析方法在船型设计中的应用模式,验证了湍流模型不确定性分析与几何不确定性分析可以与船型设计过程深度融合,为船舶设计人员提供结果可靠性的有效评价以及给定目标的船型设计方向,具有工程应用潜力,且为进一步开展不确定性优化研究提供了重要的支撑工具。