计算流体动力学（Computational Fluid Dynamics,CFD）方法是深入分析复杂流动的重要工具,然而随着研究对象的复杂化、精细化,采用传统CFD仿真计算往往需要耗费大量时间与计算资源,特别是在参数优化、控制等研究设计中,需要在设计参数域内进行多次仿真计算,其时间成本更是不可接受。因而复杂流动的模型降阶逐渐成为力学、机械、航空航天等工程技术领域的研究热点,具有重要的理论和工程应用价值。以航空发动机为例,非定常气动激励是叶片发生高周疲劳损伤的主要外界激励。但由于航空发动机内流动复杂,并伴有多种非线性因素共存,多物理场耦合等特点,很难进行高效准确的流动分析与仿真计算。因而发展高效、精确的求解大尺度流动问题的降阶方法,通过对降阶模型的研究,有助于实现对复杂瞬态流动问题的深入分析、预测,从而优化流动参数,缩短研发周期。本文根据上述迫切需求,对参数化瞬态流动的建模方法展开研究。基于本征正交分解（Proper Orthogonal Decomposition,POD）,针对其应用的局限性,提出了新的降阶方法,解决了已有研究在预测稳定性、建模效率上的不足,主要研究内容以及成果如下:基于拉丁超立方抽样（Latin Hypercube Sampling,LHS）与CFD得到了具有代表性的流场数据,以实现流动问题的特征提取以及降阶模型构建。针对大尺度流场的全局时间降阶基求解难题,本文提出了子块POD（Sub-block POD,SBP）基底求解策略,以在有限的计算平台上实现对全局时间基底的求解。针对瞬态流动参数化建模稳定性差的难点,本文首先提出了基于POD时空基底独立求解的瞬态流场参数化建模方法（ROM based on Independently extracting Spatial and Temporal bases,IST-ROM）。IST-ROM试图在数据降阶过程实现对空间、时间以及参数变量的分离,以降低待预测数据的复杂度,提高预测模型的稳定性。其中全局空间基底通过POD方法直接得到,而全局时间基底通过SBP方法得到。参数与降阶系数的映射关系通过高斯过程回归（Gaussian Process Regression,GPR）构建。根据预测结果显示,IST-ROM具有极高的预测精度,场均预测误差控制在4%以下,最大误差控制在10%左右。尽管SBP方法使得大尺度流动的全局时间基底求解成为可能,但效率仍有限,本文又提出了基于离散傅里叶变换（Discrete Fourier Transform,DFT）与POD方法结合的数据降阶思路。以POD基底形式捕捉流场空间特征,在低阶数据的基础上,以三角函数基底捕捉时间特征。最终通过人工神经网络算法（Artificial Neural Networks,ANN）得到了参数与降阶系数之间的映射关系。本方法时间基底的求解效率远高于SBP,因而POD-DFT-ANN-ROM（PDA-ROM）的整体建模效率相较ISTROM有数量级的提升。根据预测结果显示,PDA-ROM的场均预测误差控制在8%以下,场上最大误差约为20%,精度略差于IST-ROM。本文最终提出了综合两种方法优势的POD时空基底递进求解的瞬态流场参数化降阶建模方法（ROM based on Progressive solution for POD bases,PST-ROM）。首先通过POD方法得到全局空间基底,然后在降阶数据的基础上,再次使用POD方法得到时间基底。时空基底均采用POD基底形式保证了特征的高精度捕捉,而递进式的求解思路又避免了高维全局时间基底的求解难题。最终,流动参数与降阶系数的关系通过GPR建立。根据算例验证结果显示,PST-ROM具有与IST-ROM相近的预测精度且与PDA-ROM相近的建模效率。