多孔介质广泛存在于石油开采的生产场景中,其中包含不同流体共同作用下的复杂流动特性。研究油藏储层多孔介质的流体流动相关规律,是提高石油产量,提高原油采收率的基础,也是石油工业的重要研究课题之一。多孔介质渗流的模拟同时还能够在地下水保护、二氧化碳封存、地下储气库等诸多领域有着重要实际意义。多孔介质单相流数值模拟在实际应用中对于计算资源的需求,极大的限制了该技术在实际中的应用范围与精度。而计算资源的需求又与数值的模拟精度与模型尺度直接相关。实际上数值模拟中的精度与计算量是一个矛盾问题,“鱼与熊掌不可兼得”,提高模拟精度必然带来计算量的增加。而模拟精度又直接相关与模型尺度,模拟尺度降低则模拟精度也随之降低。为了在少量提升计算量的基础上,能够极大程度的提高数值模拟精度,本文提出一种基于深度学习的数值模拟增强方法,该方法以图像超分辨率技术作为基础,从求解数值模拟的网格尺度差异作为突破口,以模拟速度较快但低精度的up-scaling粗网格模型模拟作为输入,建立其与尺度down-scaling后的高精度网格数据之间的联系,由输入预测输出,提高整体数值模拟的运行速度与精度。该方法从人工智能角度描述了不同网格尺度在油藏数值模拟中的相关关系,同时具有一定的普适性,可以推广到其他数值模拟领域。本文通过基于有限体积法的单相流数值模拟结果建立了本方法的测试集,在对数据集进行预处理后,以计算量需求较小的粗网格数据作为输入,将其增强为更高精度的模拟数据。通过理论研究与分析以及实际数据集的测试对比,从理论与数据测试两个角度证明,本方法能够在运算速度与模拟精度两个角度增强数值模拟算法的结果,未来可在多个领域应用。主要工作有以下几点:（1）在第一部分工作中,实现对多孔介质单相流压力的一个数值模拟过程。针对多孔介质渗透率在空间上的分布差异,模拟在不同地质条件下的压力空间变化。该部分工作是后续工作的基础,为后续工作提供理论与数据支持。随后我们对模拟结果进行了图像可视化,一方面让我们能够更为清楚的解释数值模拟的实现过程,另一方面也能够更好的与增强模型匹配。（2）在第二部分工作中,我们对增强模型进行研究与分析,本文主要选择超分辨卷积神经网络（SRCNN）和超分辨率生成对抗网络（SRGAN）两种方法,分别代表了卷积神经网络与生成对抗网络两种类型的超分辨率模型。在本部分研究中,我们通过调整模型参数,对第一部分中建立的数据集进行数据增强测试。（3）在第三部分工作中,主要对第二部分模型和算法的精度进行分析,分析结果表明,本方法能够显著提高粗网格的数值模拟结果精度,进而实现单相流数值模拟的增强功能。此外本部分还对误差的来源、模型使用条件进行了测试和分析。