随着人类航空航天事业的蓬勃发展,临近空间逐步成为世界各国争夺的战略制高点。与传统空气动力学相比,临近空间空气动力学表现出复杂的多尺度非平衡特征。数值计算理论和计算机软硬件技术的大发展推动了计算流体力学的快速进步,针对不同流域逐渐形成了一系列较为成熟的单一尺度数值模拟计算方法,如连续流Navier-Stokes(NS)方程求解器,稀薄流直接模拟蒙特卡洛方法(DSMC)等,但这些方法目前仍存在各自的应用局限性,对多尺度共存流动描述能力有限。近年来,随着计算能力的进一步加强、流场数据精度不断提高与流场数据量不断增加,机器学习方法在流体力学,尤其是复杂流体非线性系统不确定性建模方面崭露头角,表现出巨大的发展潜力。本文在适用于连续流的Navier-Stokes(NS)方程和同时适用于多尺度流动的统一气体动理论格式(UGKS,Unified Gas-kinetic Scheme)方法的研究基础上,提出一种基于数据驱动的稀薄非平衡流非线性本构方程(DNCR,Data-driven Nonlinear Constitutive Relations)求解方法。该方法将采用Navier-Stokes方程与UGKS方法数值模拟流场计算结果作为数据集。基于非平衡流动特征参数以机器学习的方法对Navier-Stokes方程的线性热流项和应力项进行非线性修正,最终通过耦合数据驱动的非线性本构关系求解宏观守恒方程得到待预测状态稀薄非平衡流动数值解。与传统稀薄过渡流计算方法相比,此方法在典型状态下具有与UGKS较为一致的计算精度,同时能够保证与NS方程在同一量级的计算效率。DNCR方法的实现首先需要对Navier-Stokes方程求解器与统一气体动理论UGKS数值计算方法进行程序实现与验证并在此基础上开展热流/应力项与流场特征参数的非线性回归关系建模及非线性修正耦合求解方法研究。同时针对回归关系模型精度提升,开展了不同流场特征参数选取方法、不同非线性回归模型及其参数调优研究。最后针对典型非平衡多尺度流动特征算例对DNCR方法的计算精度与计算效率进行了初步评估。初步仿真结果表明,基于数据驱动的稀薄非平衡流非线性本构方程及其计算方法在多尺度非平衡流计算精度与计算效率方面表现出较为出色的能力,为稀薄气体动力学理论与数值方法的未来发展提供了一种新的思路。