针对神经网络流体模拟中数据驱动与物理规律难以调和的根本矛盾——过度依赖学习易导致偏离守恒定律，而强约束机制会削弱复杂流场表征能力，尤其在涉及边界交互的长期仿真中易引发结构畸变——研究提出了一种创新的多尺度流场注意力粒子网络(Multi-scale Flow-Attentive Network for Particle Dynamics，MFANet-PD)。该模型设计了双通道协同架构：流场增强模块(Flow Field Enhancer，FFE)利用连续卷积算子与通道注意力重校准机制动态提取细粒度运动特征；物理感知约束路径显式处理障碍物边界并投影守恒量，实现了数据驱动与物理规律的协同优化。在Liquid3D数据集上的实验表明：相比基线模型，MFANet-PD在短期预测精度、长期稳定性及分布一致性上分别提升14.6%、降低18.7%和降低11.1%，并在克服结构畸变上表现更佳。消融实验证实完整模型比无FFE版本长期序列误差降低10.1%。峡谷地形测试验证其泛化，可有效处理60°倾角岩壁及2000到8000+粒子规模动态变化。该算法通过多尺度特征融合与物理约束机制显著提升了流体模拟的计算精度与物理一致性。