在能源过分消耗与环境持续破坏的大背景之下,工业领域对于汽车的轻量化技术提出了更高的需求。由于复合材料的优秀力学性能,使用复合材料代替汽车原有的金属材料,可以有效地减轻汽车的重量,提高续航里程,降低尾气排放,有利于环境保护与降低能源损耗。复合材料的性能与各组分材料的含量、性能、分布形式以及界面特性等密切相关,实验的方法难以进行多变量控制,有限元仿真的计算方法受限于计算机的性能,基于多尺度理论分析的解析法通用性较差,种种因素导致复合材料的力学性能获取成本高、周期长。本文结合神经网络工具,提出一种可根据复合材料微观信息准确预测其宏观性能的多尺度本构模型,根据该模型可以准确地计算出各相材料经复合之后的力学性能参数,并极大地降低计算时间。本文提出的模型是基于大数据的监督学习过程,首先基于COSMOS材料库完成材料属性的采样实验设计,通过基于蒙特卡洛采样的接受-拒绝采样方法完成材料属性的采样过程,形成500组材料参数的数据样本。基于ABAQUS与Python的二次开发建立复合材料RVE模型,通过有限元仿真计算获取高保真的复合材料力学属性数据样本,共得到500组长纤维复合材料样本、500组增强颗粒复合材料样本与100组随机短纤维复合材料样本。在上述工作的基础上,本文提出了一种改良的二叉树深度材料网络结构,结合物理计算层与基于阈值判断的权重剪枝算法,得到一种具有物理意义指导的基于深度学习的复合材料力学性能预测模型,采用scikit-learn中的训练集-验证集划分方式进行数据划分。在数据集之上完成网络的训练过程,网络结构随着二叉树的高度增加准确率增加,同时训练的时长也会随之增长。在二叉树高度达到7层时,计算的相对误差可以降到5%以内,训练时长约为90分钟（深度材料网络预测模量的计算时间约为2.5秒）。针对随机短纤维模型,本文通过生成小批量高纬度的数据,利用迁移学习预训练-微调的方式来进行训练,将计算结果与Voigt与Reuss方法得出的复合材料模量的解析解范围以及有限元的仿真计算结果进行对比,并对于精度不高的模型进行分析改进,经过改进的模型计算值与解析解范围上限的相对偏差为-4.16%,与解析解范围下限的相对偏差为3.72%,与有限元仿真的相对误差为2.72%,其中有限元仿真计算时间为623秒,深度材料网络的计算时间为2.516秒,得出本文的计算结果在预期范围之内,模型的计算能力达到预期,并且能够有效降低计算时间。