当今心脑血管类疾病发病率居高不下,其中血栓是主要诱因之一,因此血栓的流变力学性质备受关注。虚拟手术技术作为心脑血管疾病精准治疗的新方案,在该技术的开发过程中,构建适用的血栓模型是至关重要的步骤。为了提高血栓模型的准确性和可靠性,通常采用有限元建模方法对血栓的流变特性进行研究。随着深度学习技术的发展,神经网络方法为精确描述血栓流变性质提供了新的研究途径。本文通过流变实验获得血栓的黏度数据,并分别针对两个应用场景开展以下研究工作:一是采用有限元方法对比分析不同血栓黏度模型在取栓手术中的模拟效果,二是使用神经网络构建智能模型解决了血栓黏度流变特性的非线性回归预测问题。（1）根据随机单例患者的血栓样本流变数据,本文采用曲线拟合方法获取不同血栓本构模型的参数,并借助有限元软件构建特异性的取栓手术模型。通过对比四种血栓黏度本构模型（carreau、cross、power-law和Herschel-Bulkley）组成的取栓系统在手术过程中血栓体积分数变化、血液流速变化以及取栓后期血液动力黏度等方面的差异,以选出最优的血栓黏度本构模型。为了确保结果的可靠性,本文的实验结果由经验丰富的医生对指标进行了评估,并将研究结果与临床指南以及患者手术过程进行了比较。仿真结果表明,Herschel-Bulkley血栓黏度模型更适合模拟该患者的取栓手术过程。（2）根据30例患者血栓样本的流变数据,本文采用智能算法进行预测建模,克服了血栓黏度本构模型在比较过程中,大部分参数的确定依赖曲线拟合和有限元解析量大、耗时长等缺陷。本文以实测的血栓数据作为输入,参考了经典本构模型的部分力学参数特征,采用GRU神经网络作为基本框架,并结合改进的海鸥算法（Sin Seagull Optimization Algorithm,SSOA）进行优化,以辅助寻找最佳超参数组合,最终构建基于SSOA-GRU神经网络的血栓黏度预测模型。本研究采用种群适应度、预测误差以及预测时间等指标,对比分析了SSOA-GRU神经网络模型与其他智能算法模型在预测血栓黏度数据方面的表现,结果表明本文提出预测模型在自动寻找到最优超参数组合的同时,具有优异的适应度、较小的预测误差和快速的预测特点。本文的第一项研究工作创新性完成了患者取栓手术过程的特异性建模,并对不同血栓黏度本构模型的优劣进行了比较;第二项研究工作解决了传统方法的一些局限,为血栓黏度流变性质的描述提供了可行的方法。这两个研究工作共同为准确描述血栓流变性质提供了可靠的实验数据和建模方法,为同类取栓仿真手术研发提供了方法借鉴与研究基础。