深度学习因其具有强大的多尺度非线性拟合能力,且无需任何物理先验知识,已被广泛用于加速新材料的研发,探究材料结构与性能的关系。以统计算法为核心的深度学习往往需要大量的数据以保障模型的精度。但是,对于绝大多数材料相关的科研任务而言,收集大量的实验数据仍是一个不切实际的任务,这无疑限制了深度学习在材料科学中的应用。基于上述研究背景,本论文以3D打印的不同结构的泡沫硅橡胶的非线性行为为研究载体,探究如何在小型实验数据集中实现高精度的深度学习建模,旨在促进深度学习在材料科学领域的应用。其主要工作如下:（1）3D打印泡沫硅橡胶数据集的建立。基于硅橡胶墨水的流变性能研究获得了适合打印的硅橡胶墨水,基于此墨水打印出不同结构的泡沫硅橡胶并测试其力学性能。将不同样品的结构信息以及对应的力学性能测试结果加入到数据集中,并对数据集中数据的代表性、可重复性进行验证。最后,对数据集中的数据进行数据清洗以及标准化处理得到最终的数据集。经过合理的实验设计以及数据预处理,该数据集为后面的机器学习模型研究奠定了基础。（2）建立了具有时空特征的深度学习模型,其特点在于最大化利用了数据信息以减少深度学习对数据的需求。“刺激-响应”是材料科学相关实验中最常见的一类任务,其可以视为样品在外界刺激下做出的响应。我们以不同结构的泡沫硅橡胶在单轴压缩下的应力应变行为进行建模,选取不同维度以及不同精度的描述符对泡沫硅橡胶进行描述,结果显示:准确而低维的描述符更适合小样本空间的深度学习建模。另外,针对泡沫硅橡胶在压缩过程中时空结构的演变,开发了一种由CNN单元与BLSTM单元组成的CBLSTM模型,其中CNN用于捕捉其空间结构特征,BLSTM用于提取外界序列化的刺激信号。与单独使用CNN或BLSTM模型相比,CBLSTM模型显著降低了泡沫硅橡胶的应力应变曲线预测的泛化误差与对数据量的需求。（3）提出并验证了基于简单结构定制具有复杂力学响应材料的深度学习设计范式。大多数材料科学相关实验都难以收集大量的数据,这限制了深度学习在材料领域的应用。我们提出一种“大道至简,衍化至繁”的思想,以简单堆垛结构的泡沫硅橡胶为例,展示用简单的结构实现了各种复杂的响应。简单结构意味着可以用有限的维度进行描述,同时有限的自由度也蕴含无数种结构变化,可以对应无数种性能。这确保了我们即使在有限的数据集中,也能运用深度学习进行建模。以泡沫硅橡胶为例,我们利用这种思想成功在小数据中实现了不同力学性能的定制,这证明了该理念有望推动深度学习与材料科学中的应用和发展。