氨是生产多种化学品的重要原料,低温等离子体合成氨技术,可以潜在地避免常规热催化氨合成的局限性,已成为将固氮与化石燃料脱钩的替代方法,其研究具有重要理论意义与应用价值。众多研究中,填充床介质阻挡放电（Dielectric Barrier Discharge,DBD）反应器,被认为是一种强化反应器内电场强度、更易产生均匀放电的等离子体反应器,其内部等离子体催化机制仅依靠实验诊断技术难以解析,需要详细的数值建模工作,以深入研究其内在机理。放电等离子体产生大量高活性粒子组成的反应体系,包含连续性方程、动量方程等偏微分方程,随着AI及深度学习的广泛应用,深度神经网络实现监督学习任务求解偏微分方程组,已成为研究等离子体催化合成氨的一种新思路。本文采用数值模拟方法,模拟填充床DBD反应器内N2与H2合成NH3过程,建立零维等离子体动力学模型,在等离子体动力学求解器ZDPlaskin中嵌入Fe/γ-Al2O3催化剂表面反应,提出一种气相-表面耦合模型,给出碰壁弛豫、振动激发和表面催化等反应的反应速率系数计算方法,考虑初始氮氢比对粒子摩尔分数、电子能量沉积、粒子密度、反应路径贡献和主要产氨反应产率的影响,系统阐述分析电源参数特性（放电频率和约化场强）和工艺参数（气体比例和放电温度）对平均粒子密度和反应产率的影响,并在Pycharm编译环境下以Python语言调用Matlab脚本文件,构建以气相-表面耦合模型数值模拟结果为基础的深度神经网络算法,搭建有效求解电子能量密度方程等偏微分方程组的网络结构,最小化均方误差MSE损失函数优化网络,提高准确率。所做工作主要有以下研究结果:（1）随着氮氢比的提高,NH3密度先提高后降低,在N2:H2=3:1时达到最大值,此时,振动激发粒子获得更充足的电子能量沉积,并解离吸附产生更高密度的吸附态粒子N（s）和H（s）,参与合成氨反应。在气相反应和表面反应中的NH2+H2→NH3+H和NH2（s）+H（s）→NH3+Surf+Surf是主要合成氨路径,NH和NH2等中间产物与NH3形成循环反应体系,在N2:H2=3:1下正反应过程更明显,NH2+H2→NH3+H反应产率提高三个数量级,NH2（s）+H（s）→NH3+Surf+Surf提高24%的贡献率。（2）电场强度和放电频率在一定程度上影响脉冲能量的输入,提高电子密度,但电场强度超过70Td后,NH3等部分物种的平均粒子密度逐渐降低,电子能量的提高加速电子碰撞分解e+NH3→e+NH2+H和e+NH3→e+NH2+H,表面催化吸附态粒子密度也随电场强度增强趋于稳定;在气体温度的作用下,催化剂表面脱附活性随温度先增强后降低,因此,合理设置最优温度区间对等离子体与催化的协同效应具有重要影响。（3）深度神经网络求解粒子连续性方程,数据向量化和取对数的预处理,能够提高模型训练的精确度,误差可低至10-4数量级,经过50000次的有限迭代尽可能降低损失函数的值,深度神经网络在2个输入和1个输出的设置下,隐藏层层数（4～8）和神经元个数（30～40）的合理设置,可避免过拟合和欠拟合问题;在变温度和变场强条件下,使用tanh激活函数缓解梯度消失问题,提高训练效率,并随机选取40%左右的训练样本,均方误差MSE损失函数能达到最小。