携带颗粒的湍流流动广泛存在于自然现象和工程应用中。大涡模拟已经成为新一代数值模拟的主要方法，被广泛应用于科学研究和工程应用中。然而，大涡模拟只求解了可解尺度的流动，需要对未解尺度流动及其对可解尺度的影响进行建模。大涡模拟小尺度流动的缺失限制了其在对小尺度湍流敏感的多过程耦合流动研究中的准确度。小尺度流动在惯性颗粒的相对弥散和聚集过程中起着重要作用，这导致大涡模拟预测的湍流中颗粒相对运动并不准确。过去的四十年发展了动态的亚格子模型，未解尺度对可解尺度的作用已有大量研究。而对未解尺度流动本身的建模是近年来湍流研究的一个热点。因此，对大涡模拟而言需要一个能够预测小尺度流动及其间歇性等统计性质的亚格子速度场模型，进而准确预测颗粒的相对弥散和聚团。

本文对湍流小尺度流动控制方程线性化建模，将控制方程中的压力梯度项与非线性项合并作为线性化建模参数，并结合具体流场数据分析了建模的合理性。采用人工神经网络的方法，构建了一个多层前馈神经网络拟合大尺度速度、速度梯度与线性化建模参数之间的关系。利用直接数值模拟和滤波直接数值模拟的数据，结合误差逆传播算法和小批量训练方法优化神经网络模型。为验证模型对大涡模拟的改进效果，将模型应用到不同雷诺数下的各向同性湍流和携带颗粒的湍流中。通过对流场速度、空间结构、时空关联以及流场中惯性颗粒聚团统计量等数据的分析，展示了该模型对大涡模拟流场精度和携带颗粒流场中惯性颗粒聚团统计量预测能力的改进效果，表明我们从动力学角度发展了一个适用于各向同性湍流大涡模拟的亚格子速度场模型。