随着计算流体力学（CFD）应用的精度需求不断提升,网格量越来越大,CFD产生的流场数据量达到了TB甚至PB量级。流场数据的时空复杂性提升,会导致时空特征难以辨认,也需要研究者耗费更多的时间人工抽取关键信息帮助认知流场中的复杂流动机理。如何自动抽取流场特征及关键时间步,将成为研究的热点,也是研究者面临的巨大挑战。近年来,深度学习的快速发展给各领域解决问题提供了新的思路。深度学习技术可以对海量数据进行特征发现和信息提取,极大提升了数据分析效率和准确性,已成为数据挖掘和特征提取的主流技术。本文依托于深度学习的方法对流场数据进行涡特征和关键瞬态提取,主要工作如下:（1）调研国内外在流场涡特征提取以及关键瞬态提取的研究进展,总结目前流场数据特征提取的主要研究方法,分析现有研究方法的优缺点,为本文所提出的方法做铺垫。（2）基于深度学习的涡特征识别算法研究,涡特征是理解流场潜在物理机制的重要手段。局部涡识别方法需结合人工选择合适的阈值判断是否为涡,且鲁棒性较差。全局涡识别方法计算复杂度高,耗时长。机器学习方法与流场的大小和形状有关,通用性和可扩展性较差。针对上述问题,本文提出了一种基于卷积极限学习机的涡识别方法。该方法能够从流场中快速、客观、鲁棒地检测出涡。通过大量的实验结果证明了该方法的有效性。（3）基于深度学习的关键瞬态提取算法研究。将自编解码器引入到计算流体力学流场关键时间步的选择中,提出了一种基于自编解码器的全局选择方法。与现有的单一的动态规划以及聚类思想的方法相比,该方法在选取的关键时间步流场,能更准确选取具有代表性的流场数据,并且选取的结果能准确表示流场数据的变化趋势。通过大量的实验结果证明了该方法在CFD数据集上良好的推广效果。实验证明,本文提出的两种算法框架在各自对应的流场数据特征与关键瞬态提取问题中都能取得较为理想的效果。