现代尖端工业装备的设计和分析过程离不开固体力学模拟,而固体力学模拟又离不开材料的本构模型。随着材料科学的发展,大量性能优异的新材料出现。但若没有描述这些新材料的本构模型,则很难将这些材料充分应用到尖端工业装备的制造中。传统材料本构模型的建立往往需要花费很长时间;即使采用已有本构模型来描述部分新材料的力学行为,从现有本构模型中选出恰当的模型也并不容易。这些困难制约了新材料在尖端工业装备中的应用,也限制了新材料的进一步发展。近年来许多学者试图用机器学习技术来克服本构建模的困难,通过利用实验数据自动化地建立材料的本构模型,发展描述材料力学行为的新方法。但是目前已提出的这类方法大多未充分利用力学的先验知识和机理,而过多的寄希望于“万能”的机器学习技术,导致这类方法往往所需数据量极大,从而制约了其应用和推广。面对本构建模的困难,本文充分利用力学的先验知识和机理,结合机器学习技术发展了数据驱动的本构建模方法。在本构建模过程中,把先验已知且较为普适的力学机理直接蕴含到数据驱动模型的构建中,让机器学习模型从数据中学习更多差异性的“知识”,而不是把宝贵的数据“浪费”在拟合先验已知的机理上。本文研究内容是朝着两个大方向展开的:一是描述更复杂的材料力学行为,二是用更少更容易获得的数据建立本构模型。本文具体研究内容和成果包括:（1）在有限变形框架下,提出了一种由数据直接建立各向同性非线性弹性材料本构模型的方法。该方法基本思想是用神经网络建立主应变到主应力的映射。针对该问题提出了两种施加了力学约束的神经网络结构:1)为保证本构模型的各向同性,提出了一种输出结果与输入顺序无关的神经网络结构;2)为保证模型切线模量矩阵严格对称,提出了一种雅克比矩阵严格对称的神经网络结构。推导了该模型由神经网络表示的切线模量的解析形式。用若干数值算例表明了该方法准确、计算稳定、收敛速度快,并用数值算例展示了该方法用于弹性复合材料整体性能预测的能力。（2）在小变形框架下,提出了一种由数据直接建立各向同性弹塑性材料本构模型的方法。该方法采用了传统塑性理论中屈服函数的概念,利用神经网络学习屈服函数而非直接学习应变到应力的映射,从而大幅降低了数据驱动方法建立弹塑性材料本构模型的成本。基于一致性条件推导了由神经网络表示的弹塑性模量的解析形式。用若干数值算例表明了该方法准确、计算稳定、收敛速度快,并用数值算例展示了该方法用于弹塑性复合材料整体性能预测的能力。该方法还被扩展至建立梯度结构材料的本构模型。（3）在有限变形框架下,提出了一种基于位移场数据构建非线性弹性材料本构模型的方法。针对该问题给出了一种神经网络参数初始化算法以防止“梯度消失”问题。因位移场数据相比于材料在复杂应力状态下的应力应变数据更容易获取,因此该方法相比于采用应力应变数据进行本构建模的方式具有更强的实用性。（4）在有限变形框架下,提出了一种用小样本数据建立非线性弹性材料本构模型的方法。该方法基于本文提出的三条假设建立,把应力的球形分量和偏斜分量分开计算,最少只需要材料单轴拉伸/压缩实验获得的数据即可建立本构模型。实验数据由神经网络拟合后使用,可一定程度排除数据中噪音的干扰,并基于神经网络的反向传播算法推导了该模型解析形式的切线模量。用若干数值算例表明了该方法准确、计算稳定、收敛速度快。通过理论分析和数值实验的方式探讨了假设的合理性,对于假设带来的误差还给出了利用更多实验数据对模型进行修正的方案。本文提出的方法和模型可在开源的或者商用的结构有限元分析软件中通过用户自定义材料接口实现,方便相关领域的科研工作者和工程师应用。