计算流体力学是在计算机中使用离散化的方法对流体动力学方程进行求解的学科,然而在一些复杂几何外形以及流动问题中,数值模拟方法经常会有建模困难,计算速度慢等缺陷。近年来,随着机器学习技术的不断发展,人们试图将其非线性拟合能力应用到计算流体力学中,以作为数值模拟的快速计算辅助手段。本文主要以一维Burgers方程,二维层流圆柱绕流以及三维湍流管内通道流为例,分别建立相应的神经网络模型,对非线性偏微分方程(组)的近似求解以及流场预测等问题进行了探索性的研究。首先,以一维的Burgers方程为例,使用纯数据驱动的全连接神经网络模型,对Burgers方程进行近似求解,实现了对计算域内流场的准确预测。由于纯数据驱动方法属于纯粹的黑箱模型,在求解过程中,缺乏非线性偏微分方程的直接求解过程,导致其物理可解释性较差,故基于此开发了耦合非线性偏微分方程(组)的全连接神经网络模型,并将其成功应用于Burgers方程,取得了良好的求解效果。随后将纯数据驱动和耦合非线性偏微分方程的神经网络模型推广到二维的流体动力学方程(N-S方程组)中,实现了对N-S方程的近似求解。然后,将两种非线性偏微分方程近似求解方法应用到流场的预测模型中,开展了流场中介质物性参数的预测识别和流场发展趋势的预测研究,证明了使用神经网络模型不仅可以对流场中的相关参数进行准确预测识别,还可以在流场的短期预测问题中发挥有效的作用。同时开发了耦合N-S方程组的LSTM神经网络模型,对比了几种流场预测模型在流场短期预测方面的误差,表明LSTM神经网络具有更高的流场短期预测精度,而且在神经网络模型中引入相应的物理定律可以有效提高模型的流场预测能力。最后,综合考虑了模型的计算效率与精度,选择了纯数据驱动的LSTM神经网络模型对湍流管内通道流进行了流场预测模型的构建,证明了神经网络算法在湍流建模中的适用性。