随着计算机性能的不断提升,计算流体力学（Computational Fluid Dynamics,CFD）领域的学者们可以使用越来越复杂的模型来模拟流体的流动问题,数值模拟的精度因此得到很大的提高。但同时,数值模拟计算的规模也在不断扩大。这对于需要先将结果数据保存在硬盘中再读取出来进行可视化的传统后处理方式来说,是很难克服的I/O瓶颈。在大规模高性能计算中,超级计算机虽然可以快速地产生和处理大量的流场数据,但数据存储开销大和I/O时间长等问题严重制约着流场可视化的效率。原位可视化技术的提出大大缓解了这个I/O瓶颈。学者们可以使用同一计算节点上的计算资源运行数值模拟和可视化的代码,在模拟程序运行的同时对产生的数据进行可视化,避免了对硬盘的I/O操作。在CFD领域,作为大规模流场可视化的可行方法之一,流场原位可视化受到了越来越多的重视。然而,随着流场数据的日益增长,流场原位可视化与数值模拟之间的资源竞争越发激烈。在有限资源的前提下,如何高效挖掘流场关键数据是流场原位可视化面临的巨大挑战。在过去几年中,深度学习在CFD领域取得了巨大成功,展示出了在处理流场数据方面的潜力,给解决流场原位可视化面临的问题带来了机遇。因此,基于深度学习技术,本文针对流场原位可视化过程中涉及到的关键技术问题展开深入研究,所完成的主要工作和创新成果有:1)提出了一种基于深度度量学习的流场关键时间步选择方法。流场关键时间步的选择是对流场数据在时间上采样的一种常用方法,能够减少对系统资源的频繁占用。针对如何准确找到含有关键信息的时间步的问题,本文将深度度量学习引入流场关键时间步的选择中,提出了一种基于深度度量学习的流场关键时间步选择方法。在该方法中,本文设计了一个用于相似度学习的神经网络,在利用卷积神经网络对流场数据特征进行充分挖掘后,使用度量学习准确获取时间步之间的相似度。在此基础上,本文提出了一个基于时间间隔的关键时间步选择算法,能够对时间步之间的相似度进行分析,并选择出关键的时间步。与现有常用的局部方法相比,该方法在精确率、准确率和召回率等方面均具有优势。2)提出了一种基于生成对抗网络的流场数据原位压缩方法。原位数据压缩是减轻原位可视化松耦合模式中网络传输压力的一种有效的方法。针对已有流场数据压缩方法不够高效的问题,本文将生成对抗网络引入流场数据压缩中,提出了一种基于生成对抗网络的流场数据原位压缩方法。在该方法中,本文设计了一个用于数据压缩和重建的神经网络。与现有的流场数据有损压缩方法相比,该方法在压缩时间上具有优势,并能根据可接受的重建效果来调整压缩比。3)提出了一种基于卷积神经网络的激波特征探测方法。对激波特征进行探测,定位其在流场中的位置,是流场特征提取的关键,也是比较耗时的部分。针对已有激波探测方法的缺陷,本文提出了一种基于卷积神经网络的激波特征探测方法。在该方法中,本文结合激波的物理特性,设计了一种适合于激波探测的损失函数。在此基础上,本文设计了一个用于激波探测的神经网络。与现有不是基于深度学习的激波探测方法相比,该方法在探测时间上具有优势。与基于深度学习的激波探测方法相比,该方法探测出的激波特征的效果更好。