The near-wall modelling of turbulent flows has been an active field of research due to the computational cost associated with the direct numerical simulations of such flow, which are characterized by a wide range of length and time scales. With the recent advancements in technological capabilities, the availability of high-fidelity data has enabled the construction of data-driven approaches to model turbulence. In this thesis, deep-learning models are used to model the dynamically important near-wall region in a turbulent boundary layer. As a first step, a direct numerical simulation (DNS) of an incompressible zero-pressure-gradient (ZPG) turbulent boundary layer (TBL) over a flat plate is performed using a pseudo-spectral code, SIMSON (Chevalier et al., 2007). The Reynolds number based on free-stream velocity and inlet displacement thickness is 450 and the passive scalars are simulated at Prandtl numbers of 1, 2, 4 and 6. Turbulence statistics for the flow and thermal fields are computed and compared against the numerical simulations at a similar Reynolds number. To generate the training, validation and test datasets for the neural network, the turbulent velocity fluctuation fields are sampled at various wall-normal locations, y+ = 15, 30, 50, 100 at a constant sampling time of ∆t+ = 0.99, in addition to the streamwise and spanwise wall-shear-stress fields, pressure field and heat flux fields at the wall. A fully convolutional network (FCN) based model is proposed for the prediction of two-dimensional velocity-fluctuation fields farther from the wall using the sampled fields at the wall. The quality of predictions from the network is assessed based on (i) the mean-squared error (MSE) between the predictions and the DNS fields, (ii) the relative percentage error in prediction of root-mean-squared (RMS) of fluctuations or fluctuation intensity and (iii) the correlation coefficient between the predicted and the DNS fields. Different types of predictions are performed, where the three components of the velocity-fluctuation fields are predicted simultaneously by the FCN, and these predictions are classified based on the input fields to the FCN. Three different types of predictions are presented in this study, and an auxiliary-loss-function approach is also introduced to improve the performance of the FCN. The results from the proposed data-driven model for ZPG TBL shows a good capability in the prediction of both the instantaneous fluctuation fields and the turbulent statistics like fluctuation intensity. In particular, the prediction of velocity-fluctuation fields at y+ = 30 using only the heat-flux field at Pr = 6 exhibits less than 12% error in the prediction of streamwise fluctuation intensity. The results obtained in this study indicate the potential of FCN in serving as a computationally effective tool to predict turbulent-velocity-fluctuation fields close to the wall using the inputs from the wall and finds useful application in flow-control problems. / Nära väggmodelleringen av turbulenta flöden har varit ett aktivt forskningsfält på grund av beräkningskostnaderna i samband med de direkta numeriska simuleringarna av sådant flöde, som kännetecknas av ett brett spektrum av längd- och tidsskalor. Med de senaste tekniska framstegen har tillgången på data i hög kvalitet möjliggjort konstruktion av datadrivna metoder för modellturbulens. I denna avhandling används djupinlärningsmodeller för att modellera det dynamiskt viktiga området nära väggen i ett turbulent gränsskikt. Som ett första steg utförs en direkt numerisk simulering (DNS) av ett inkomprimerbart nolltryck-gradient (ZPG) turbulent gränsskikt (TBL) över en platt platta med hjälp av en pseudo-spektral kod, SIMSON (Chevalier et al., 2007). Reynolds-talet baserat på friströmshastighet och inloppsförskjutningstjocklek är 450 och de passiva skalarna simuleras vid Prandtlnumbers på 1, 2, 4 och 6. Turbulensstatistik för flödet och termiska fält beräknas och jämförs med de numeriska simuleringarna vid ett liknande Reynolds -nummer. För att generera utbildnings-, validerings- och testdatauppsättningar för det neuralanätverket samplas turbulenta hastighetsfluktuationsfält på olika väggnormala platser, y+ = 15, 30, 50, 100 vid en konstant provtagningstid på ∆t+ ≈ 0, 99, dessutom till strömmande och spanvisa väggskjuvspänningsfält, tryckfält och värmeflödesfält vid väggen. En helt konvolutionsnät (FCN) baserad modell föreslås för förutsägelse av tvådimensionella hastighetsfluktuationsfält längre från väggen med hjälp av de samplade fälten vid väggen. Kvaliteten påförutsägelser från nätverket bedöms baserat på (i) medelkvadratfelet (MSE) mellan förutsägelserna och DNS-fälten, (ii) det relativa procentuella felet vid förutsägelse av rot-medelkvadrat (RMS) för fluktuationer eller fluktuationsintensitet och (iii) korrelationskoefficienten mellan de förutsagda och DNS fälten. Olika typer av förutsägelser utförs, där de tre komponenterna i hastighetsfluktuationsfälten förutspås samtidigt av FCN, och dessa förutsägelser klassificeras baserat på inmatningsfälten till FCN. Tre olika typer av förutsägelser presenteras i denna studie, och en metod för hjälp-förlustfunktion introduceras också för att förbättra prestanda för FCN. Resultaten från den föreslagna datadrivna modellen för ZPG TBL visar en god förmåga i förutsägelsen av både momentana fluktuationsfält och den turbulenta statistiken som fluktuationsintensitet. I synnerhet uppvisar förutsägelsen av hastighetsfluktuationsfält at y+ = 30 med endast värmeflödesfältet vid Pr = 6 mindre än 12% fel i förutsägelsen av strömningsvis fluktuationsintensitet. Resultaten som erhållits i denna studie indikerar FCN: s potential att fungera som ett beräkningsmässigt effektivt verktyg för att förutsäga turbulenta hastighetsfluktuationsfält nära väggen med hjälp av ingångarna från väggen och finner användbar tillämpning i flödeskontroll -problem.