渗透率作为多孔介质的固有特性参数,常被用于表示多孔介质的渗流能力,是多孔介质重要的水利参数之一。对于多孔介质渗透率的计算,现有的方法包括流体力学数值法、孔隙网络模型法、格子玻尔兹曼法等。然而,这类方法在计算复杂多孔介质时存在计算难以收敛,计算代价大等局限性。深度学习是近年用于计算机视觉领域的热点研究方法,其图像建模技术具有快速准确的优势。考虑到多孔介质渗透率只与孔隙物理结构有关,并且多孔介质孔隙物理结构可以通过图像信息表示,本文提出通过深度学习的方法对多孔介质图像与渗透率数值进行建模关联,进而对渗透率进行计算预测。比较了2D、3D的卷积神经网络,并且对预测性能更优的3D卷积模型进行调整,最后得到了优化后的3D卷积网络模型,通过对未知的多孔介质数据进行测试与分析,验证了预测模型的优越性能。本文的主要研究工作如下:（1）获得多孔介质结构图像数据库。本文通过高分辨的X射线三维显微CT对实物多孔介质进行扫描成像,经过三维重建以及图像后处理等操作,获得高质量的三维实物多孔介质结构图像。深度学习方法的研究需要具有代表性的的数据库,为获得丰富多样的多孔介质样本,本文通过计算机模拟合成算法,随机生成批量的三维合成多孔介质图像数据。（2）获得多孔介质结构图像渗透率标签。本文通过多松弛时间玻尔兹曼法（Multi-relaxation time LBM,MRT-LBM）对多孔介质结构数据库进行模拟计算,为了充分利用计算机资源获得更快的计算速度,本文使用了多GPU的并行加速技术,通过Matlab编程计算得到每个多孔介质结构对应的渗透率标签。同时为了验证方法的有效性,本文使用了实验法进行验证分析,由于实验法存在一定的误差和不可避免的条件限制等局限性,本文对MRT-LBM模型引入三维泊肃叶流动进行模拟,以及计算对比单松弛时间玻尔兹曼法（Single-relaxation-time LBM,SRT-LBM）模拟计算结果。结果进一步验证了本文计算获得渗透率标签方法的有效性。（3）获得深度学习预测模型。首先通过深度学习框架Tensorlfow对基础2D、3D卷积网络进行模型构建,选定合适的回归模型性能评估指标,评估分析对应卷积模型在多孔介质结构测试数据集上的性能表现,然后对综合性能较优的3D卷积模型进行进一步的结构调整和超参数调试等优化操作,最终获得能够快速精准预测多孔介质渗透率的3D卷积网络模型。本文提出的由多孔介质输入到渗透率输出的端到端的深度学习模型,具有良好的预测性能,其在测试集上预测结果的评估指标最优值MAPE为2.17%、R~2为0.9886、RMSE为0.2847,评估指标结果说明了本文深度学习模型的预测具有较高的准确性。此外,每个多孔介质渗透率的预测时间在10～20 ms,其速度远远快于格子玻尔兹曼方法。结果表明了深度学习技术在多孔介质渗透率预测方面具有一定的研究意义和应用价值。