El hidrogel tiene una estructura de red compleja con una distribución aleatoria e inhomogénea de cadenas de polímero. Se ha dedicado mucho esfuerzo a comprender completamente la relación entre la estructura de red mesoscópica y las propiedades mecánicas macroscópicas de los hidrogeles. En este artículo, desarrollamos un enfoque de aprendizaje profundo para predecir las propiedades mecánicas de los hidrogeles a partir de las estructuras de red de polímero. Primero, se construyen modelos estructurales de red de hidrogeles a partir de una escala mesoscópica utilizando el método de caminata de evitación propia. El modelo construido es similar a la red de hidrogel real. Luego, se proponen dos modelos de aprendizaje profundo para capturar la asignación no lineal de la estructura de red de hidrogel mesoscópico a su propiedad mecánica a escala macro. Se implementa una red neuronal profunda y una red neuronal convolucional 3D que contienen la información física del modelo estructural de red para predecir las curvas de esfuerzo-deformación nominal de los hidrogeles bajo tensión uniaxial. Nuestros resultados muestran que el marco de aprendizaje profundo de extremo a extremo puede predecir efectivamente las curvas de esfuerzo-deformación nominal del hidrogel dentro de una amplia gama de estructuras de red mesoscópicas, lo que demuestra que los modelos de aprendizaje profundo pueden capturar la relación interna entre las estructuras de red complejas y las propiedades mecánicas. Esperamos que este enfoque pueda proporcionar orientación para el diseño estructural y el diseño de propiedades de materiales de diferentes materiales blandos.