流场中的特征识别一直是流体力学中一个重要的问题。对于流场而言，无论是从加速流场计算的角度，还是从探究物理意义的角度，始终存在着对流场进行特征识别的需求。然而，当流场面临海量高维信息的时候，现有的方法在流场计算和数据后处理上存在一定的困难。

深度学习在图像等领域的应用中以其更高的效率和更优的精度备受关注，为流场识别提供了参考。在流体力学领域，可以通过以卷积神经网络为首的深度学习模型对流场进行特征识别和降维操作。识别出的特征不仅能够进行流场预测，也可以影响流场重构结果的精度。进一步， 深度强化学习能够对流场进行流动控制，并且可以借助流场特征模型提高流动控制的效率。

因此，本文的主要研究目的是基于卷积神经网络为代表的深度学习方法，对流场进行识别降维，并且通过对流场的预测、重构和流动控制过程将深度学习方法应用到实际问题中。主要内容分为以下几个方面：

1. 基于流场信息的特征识别与预测

基于卷积神经网络建立了深度学习特征识别模型。该模型能够通过尾流的非定常流动反映绕流体表面压力震荡。 研究的对象为圆柱绕流流动中旋涡的交替非定常流场速度场，通过识别其特征进而预测圆柱表面压力系数。同时，本文先后通过对卷积特征的可视和借助迁移学习的泛化，均印证了特征提取的准确性。最终，将该方法成功应用到更为复杂的带空化的水翼绕流中，通过空化流动下速度场及空化体积分数成功预测翼型表面压力系数。

2. 基于特征识别的流场重构与应用

在深度学习能够成功提取流场特征的前提下，借助自动编码器能够编码解码的网络特点，通过速度场的压缩降阶过程重构原始流场信息。该研究通过对二维流场速度场的编码与解码，能够得到流场特征并重构出原始流场。同时，通过对深度学习网络模型不同拓扑结构下重构流场的对比，得到重构结果与特征维度的关系。进一步，将上述流场重构过程应用在近壁湍流流场中，通过卷积自动编码器结构的重构能力和对特征维度的限制能够重构湍流中仅包含大尺度的流场，为近壁湍流建模提供基础。

3. 考虑流场特征识别的强化学习与流动控制

对流场有了上述认识的基础上，进一步基于强化学习实现对流场的流动控制。借助对双方柱绕流中前方柱位置的自适应优化过程，得到使尾流场流场震荡最低的流动状态。进一步，由于该强化学习的训练过程较为耗时，使用基于特征识别的预测模块替代该模型中流场仿真部分，能够成功对强化学习进行加速。