多孔介质的流动与传热问题广泛存在于自然界和工程实践中,因此研究多孔介质中的对流换热问题具有重要意义。为了对多孔介质中的问题进行研究,学者们往往需要先构建出描述问题的数学模型,然后对数学模型进行求解。然而,在研究多孔介质时常常面临物理机制不明、控制方程缺失、缺乏准确全面的实验数据等困难,研究这一类缺乏完整数学模型的流动传热问题存在巨大挑战。幸运的是,近些年蓬勃发展的深度学习方法具有离散方式灵活、边界处理简单、复杂方程组耦合方式容易以及编程简单等特点,且非常适合研究物理信息不全的问题。因此,本文开展了基于深度学习的多孔介质流动与传热研究,具体如下:（1）基于局部热平衡模型和通用渗流模型,提出了可以求解表征体元尺度多孔介质渗流问题的深度学习方法。模拟了外力驱动多孔介质圆管的流动与传热、管壁固定速度拖动的多孔介质圆管内的流动与传热、无限长多孔介质圆环内的自然对流以及多孔板内的混合对流等经典的问题,计算结果与已有文献的解析解或数值解吻合良好,验证了深度学习方法的准确性。（2）针对工程中存在的无完整数学模型只有部分物理数据的数据驱动问题,提出了可以从噪声数据学习流动模型的复合神经网络模型（NN-PDE）。通过学习Burgers方程、Korteweg-de Vries（Kd V）方程并与已有的STRidge和DL-PDE方法对比,突出了NN-PDE相对传统数值方法的优势:学习获得的模型相对传统神经网络黑盒子模型有清晰的物理解释;对噪声数据的数据驱动问题鲁棒性更好。通过学习KuramotoSivashinsky（KS）方程、Navier-Stokes（NS）方程以及Couette流动方程表明了NNPDE对高阶、高维以及多孔介质中复杂的流动问题也有很好的适用性。（3）将所提出的复合神经网络模型（NN-PDE）用于数据驱动的自然对流流场重构问题,研究了NN-PDE仅依靠部分流场数据以及部分物理信息的流场重构能力。结果表明,仅利用流域内的部分数据和部分物理信息,NN-PDE仍能较好地整合这些零碎的信息,学习出描述问题的控制方程,并较好地重构出整个流域的速度场和温度场。最后计算出表征多孔介质方腔传热能力的平均努塞尔数,与原始数据吻合良好,充分显示了深度学习在这一类数据驱动问题中的优势。总之,本文利用深度学习方法对多孔介质流动与传热进行了研究,分别针对有无完整数学模型的问题提出了两类新的深度学习模型,促进了物理信息不明的多孔介质中流动与传热问题的研究。这些工作可以给工程应用提供一定帮助。