近年来,随着计算机计算能力的提高和数值算法的更新,通过计算流体力学数值仿真方法研究心脑血管系统的血液动力学机理越来越受到人们的重视。该方法不仅可以研究某些特定几何和力学因素对血流动力学的影响,还可以获得更加复杂的血液动力学参数。虽然仅根据血液动力学的数值仿真结果无法完全解释相关动脉疾病,但是这些数据确实可以帮助人类更好地理解动脉疾病产生及发展的生理和病理基础。由于血液的生物力学以及流体行为的复杂性,计算流体力学仿真方法通常需要高昂的时间及计算成本。因此,从时间维度考虑,将一个稀疏的低分辨率血液时变流场重建成高分辨率时变流场,是一个非常有意义的工作。本文主要针对血管模型的时变流场仿真问题提出了一种新的深度学习框架,主要内容及贡献包括:1.提出了一个主动脉及髂动脉血管时变流场数据集。该数据集从真实医学影像中构建,通过图像采集、几何建模、网格生成、数值仿真等步骤,生成两种不同时间分辨率、不同仿真精度的主动脉及髂动脉血管时变流场。2.提出了一种基于点云表示的血管时变流场时间超分辨率重建的深度学习框架。该框架由三个模块组成,分别为用于提取速度场特征的速度场编码器,用于提取流场时间、阻值特征的阻值-时间编码器以及用于重建高分辨率时变流场的解码器。使用该网络在本文所提数据集上进行实验,实验结果证明了该框架的有效性。3.针对本文的深度学习方法,提出了新的幅度损失函数和方向损失函数,将这两个损失函数加权求和构成了本文网络训练的最终损失函数,并从理论和实验两方面证明了这个损失函数更适用于本文的任务。4.提出了一种自编码器网络模型,该网络由速度场编码器和解码器组合而成,可用于血液时变流场的数据压缩。通过该网络可以将8192个采样点的三维速度场压缩为一个1024维的稀疏特征向量,从而完成24倍的数据压缩,进一步证明了本文所提网络架构的高扩展性。