数值模拟是对流体力学现象分析的一种新兴技术,它利用计算机求解流体的流动控制方程以得到流体的流动状态,从而得以分析流动现象。数值模拟方法在算法参数设置合理的情况下能达到很高的计算精度,但是它的计算成本非常高昂,并且无法满足实时性的需求。降阶模型是用于代替复杂的动力学控制方程模型的一种近似模型,它在可接受的时间范围内和有限的存储容量内执行仿真,并得到足够可靠的结果。降阶模型具有极快的模拟速度以及较为精确的预测结果,因此已有广泛的应用。然而,现有的降阶模型仍存在着一些不足:以本征正交分解为代表的传统线性系统降阶模型在非线性的场景下性能表现不佳;而基于自编码器的降阶模型虽具有较强的非线性映射能力,但该模型的参数量过大,模型难以训练,因而模型的模拟精度也不高。为解决这些问题,本文提出了基于卷积自编码器的深度学习降阶模型。模型中卷积自编码器被用作投影,长短期记忆网络被用作回归拟合。二维圆柱绕流作为一个经典算例被用于本文提出卷积自编码器降阶模型与已有的降阶模型进行对比验证。实验结果表明长短期记忆网络在几种回归方法中综合性能最好,卷积自编码器也比全连接自编码器具有更高的精度且参数更少,不过与本征正交分解的精度相比仍存在一定的差距。为进一步提高卷积自编码器的精度,自注意力机制被引入到降阶模型中。在二维圆柱绕流算例上的实验结果表明耦合自注意力的卷积自编码器降阶模型精度有大幅度的提升,甚至超过了基于本征正交分解的降阶模型。耦合自注意力的卷积自编码器降阶模型被应用于伦敦南岸大学校区的空气流动预测,以展现其在实际应用场景中的性能表现。伦敦南岸大学的三维模型按照真实建筑尺寸1:1建模,三维模型中共有六十多个建筑物,流场的复杂性非常高。实验结果表明耦合自注意力的卷积自编码器降阶模型即使在非常复杂的实际应用场景中较强非线性的流动状态也能做到精确的预测,具有很好性能表现。