水下结构声辐射与声散射是一项非常重要的研究课题,受到众多工程应用领域的重视,声振耦合数值模拟技术也因此备受关注。然而实际工程中通常存在大量的不确定因素,如材料性能、加载条件、实验测量和制造误差等。因此,有必要评估与各种不确定因素有关的风险,即不确定性量化或随机性分析。本文针对声振耦合问题进行不确定性量化,并考察一些重要参数对系统响应的影响。首先采用等几何有限元边界元耦合算法（Isogeometric finite element/boundary element coupling algorithm,IGA-FEM/BEM）对确定性声振耦合问题进行模拟。该耦合算法采用等几何分析（Isogeometric analysis,IGA）得到全阶模型的快照,耦合了两种用于声振耦合问题求解的数值方法:模拟Kirchhoff-Love壳振动的等几何有限元法（Isogeometric finite element method,IGA-FEM）和模拟外声波的等几何边界元法（Isogeometric boundary element method,IGA-BEM）。其次,提出了一种有效的蒙特卡洛模拟（Monte Carlo simulation,MCs）方法来解决声振耦合系统中的多维变量不确定性问题。深度神经网络（Deep neural network,DNN）作为一个通用的代理模型,在加速获得系统响应的同时可提高MCs的采样效率。奇异值分解-径向基函数（Singular Value Decomposition-radial basis functions,SVD-RBF）作为初始全阶模型与深度神经网络之间的桥梁,能够从降阶模型中为深度神经网络准确高效地提供训练数据。论文的主要内容和创新点如下:（1）基于IGA-FEM/BEM算法的声振耦合分析。传统的FEM/BEM算法会引入几何误差,降低数值模拟的精度;CAD（Computer Aided Design）设计模型和CAE（Computer Aided Engineering）分析模型的网格不匹配导致计算效率降低。基于Loop细分曲面的等几何分析方法可解决这些问题。通过对原始粗糙多边形网格进行重复细化,构造出一系列多分辨率网格,并通过高阶样条函数构建出连续性更高的光滑曲面,对复杂模型的适用性更强。（2）构建用于加速声振耦合系统声学响应分析的组合代理模型SVD-RBF-DNN。组合代理模型的提出,克服了传统代理模型在处理大规模、高维输入参数时的困难。只需IGA-FEM/BEM提供少量的初始样本点,SVD-RBF-DNN代理模型就可快速实现声学响应预测。（3）采用SVD-RBF-DNN代理模型快速得到系统响应的同时,也提高了MCs的采样效率。基于此,提出加速声振耦合随机性分析的代理模型SVD-RBF-DNN-MCs。该方法克服了MCs在处理复杂问题时计算成本过大的问题,从而使得MCs在实际中的应用更加广泛。