土力学学科创立以来已发展了上百个土的本构模型。虽然现在对土的力学性质已经认识的比较清楚,常用的本构模型也能基本反应土应力应变关系的主要特征,但仍然有必要进一步探索新的建模方法,以便建立能够更加全面准确反映土本构关系的力学模型。神经网络方法是人工智能的重要研究成果,具有极强的非线性映射能力、冗余容错能力和模糊计算能力,正是因为神经网络方法具有这样的特点,使得采用神经网络方法研究土的本构关系成为可能。粗粒土因其优良的工程特性,在铁路路基、边坡护岸、人工筑岛等工程中应用广泛。粗粒土的本构关系十分复杂,在中高围压条件下表现为应变硬化和剪缩,在低围压条件下表现出应变软化和剪胀,目前尚无一种模型能够完全反应粗粒土的这些力学特征。本文系统全面的研究了用神经网络方法模拟粗粒土本构关系的具体实施过程,并就模拟过程中出现的各种问题进行了探讨,如网络模型学习曲线的收敛、网络模型的外延性等。本文第二章首先详细介绍了神经网络方法的概念、计算能力以及在岩土工程中的一些应用。第三章用神经网络方法模拟了五组粗粒土试样的本构关系,其中涉及的问题包括网络模型结构的选择、网络模型学习算法和训练参数的选择、网络模型输入输出变量的选择等。神经网络模型对五组粗粒土三轴试验数据的学习表明,合理选择模型结构和学习算法后,网络模型能够模拟出粗粒土的本构关系,获得较好的学习和预测效果。神经网络模型克服了岩土参数难于准确测定的问题,同时又可以考虑不同应力路径对土体本构关系的影响,对粗粒土的应力应变特征描述的更为准确。