气液两相流广泛存在于自然界和工程领域中,在海-气交换、大坝高速水流对建筑物的汽蚀、天然气输送等方面扮演着重要的角色。受重力、浮力及表面张力等共同作用,气泡会出现形变、破裂以及聚并等现象,这将造成附近的水体形成高速射流和强烈紊动等,进而影响海-气交换以及污染物运动;而气泡间的相互作用与单气泡运动状态、性质密切相关,因此了解单个气泡的运动特性是更好地掌握诸如海-气通量交换预测、气泡对结构物受力影响等问题的基础。本研究通过开展大量自制方形容器中气泡上升运动实验,探讨静水中气泡运动特性。通过高速相机捕捉气泡运动过程,并基于统计的方法进行数据处理,分析气泡的上升速度、形状以及运动轨迹情况;最后,基于机器学习技术构建预测模型,并基于实验结果构建数据集,对气泡速度、曳力系数以及形状进行学习和训练,并将得到的结果与前人的经验公式进行对比,评估模型的精度。结果表明:气泡在静水中上升一般要经历气泡加速、气泡减速以及气泡稳定波动三个阶段,气泡加速与减速的阶段都发生在气泡直线上升阶段且历时很短,小于0.1s。当气泡处于稳定波动段时,气泡终速度VT随着d的增大而减小,气泡速度波动幅度随着d的增大而增大;气泡脱离频率P主要通过影响气泡的初始动能来影响气泡的速度,P越大,VT越大。VT与气泡Eo数关联程度更大。而气泡曳力系数CD随着雷诺数Re的增大呈现先减小后增大,且随着Re的增大,CD值相对离散;CD值与Eo数的变化成正相关关系,且关联程度比Re数高;同时,实验CD值与Dijkhuizen公式计算值吻合度最好。气泡运动轨迹受气泡大小和初始扰动影响;气泡轨迹形态随着d的增加由之字形向杂乱形转变;随着d的增大,气泡偏移幅度呈现先增大后减小的趋势。气泡形状通过气泡纵横比E和圆形度CT来描述,当气泡直径较小时(d<4mm),E与d的关联度较大,当d>4mm时,CT值随着d的增大而减小,气泡形变更复杂。而气泡倾角则随着d的增大先增大后保持不变。最后,通过BP神经网络构建了气泡终速度、气泡曳力系数与Re数、Eo数以及We数之间的关系模型,结果表明BP神经网络预测的结果能够很好的反映气泡终速度、气泡曳力系数与各无量纲数之间的关系。同时,通过KNN算法、随机森林、逻辑回归算法构建气泡形状与Re数、Eo数以及We数之间的关系模型,发现通过逻辑回归预测得到的形状比随机森林、KNN算法预测的更准确。同时,通过随机森林算法预测结果考虑各变量的重要性发现:Eo数对气泡形状影响程度最大,Re数次之,We数的影响相对最小。