计算机流体动画在生产生活中得到大量应用,比如3D游戏、3D动画、影视、广告等,基于网格的欧拉方法是基于物理的模拟方法中的一种,但是对计算资源的大量需求限制了它的应用。近年来兴起的基于多层神经网络的深度学习具有强大的拟合能力和较快的计算速度,因此可以用来对基于物理的流体模拟进行加速。由于投影步计算占据了基于网格的方法大部分计算资源,因此本文研究利用深度学习对欧拉流体动画的投影步进行加速。已有的使用深度学习对流体动画进行加速的方法,在训练数据集、输入输出、网络类型等方面都有差异,而各方法又声明取得了一些好的效果,因此加速流体动画深度学习的输入输出、网络类型等方面如何进行配置仍然不清楚。本文对损失函数和输入特征向量进行分析和实验,发现损失函数应该约束压强、速度散度,可选地也可以约束速度和压强梯度,输入特征向量应该包括几何标志、上一帧压强以及速度或速度散度。基于对网络输入的分析,本文将几何标志数据跳跃连接到网络的每一层中,在多方面改善了生成流体的效果。基于对投影步泊松方程的分析,本文将空洞卷积引入到流体动画的加速中,以使网络输出层具有更大的感受野,解决了已有神经网络生成的烟雾向两侧伸展太少的问题。本文发现全卷积网络能够处理的流体场景空间分辨率有限,于是研究了参考文献网络和本文提出网络的适用分辨率,发现了几种网络在不同空间分辨率下的特点。