在利用格子Boltzmann方法（LBM）模拟低毛细数的弹状流流动时，由于气泡发展过程复杂，模型控制参数选择难度大，当所选参数不当时，会产生错误的非物理现象，从而降低计算精度。通过机器学习建立LBM多相流过程模型，采用粒子群算法优化机器学习模型的超参数，进一步优化LBM建模过程中的控制参数，建立了LBM-机器学习-粒子群算法耦合多相流数值模拟模型。基于该模型研究了T型微通道内弹状流流动参数对气泡演化过程稳定性的影响。模拟结果表明，所建LBM多相流模型能预测复杂条件下气泡伸长率，在此基础上通过伸长率分析找到了最优气液两相进口流速关系，有效解决了低毛细数下弹状流流动不稳定性问题，显著提高了模拟计算精度与计算效率。