模拟和预测水量、水位及污染羽和相态饱和度的分布是地下水研究的重要任务。随着经济社会的发展,人们对地下水准确预测和考虑多学科交叉复杂过程的需求越来越高。基于物理过程的数值模拟是地下水研究中最广泛的方法,然而,数值模拟却有一些实际的局限性,不能很好的满足需求。如难以获取详细的水文地质参数和刻画精细的地下介质结构,并且在不确定性分析和优化管理任务中消耗极大的时间成本。传统机器学习算法虽然提供了一种便捷有效的替代方法,但其对动态变化大、非线性较强的数据适用度较低,且处理高维数据时普遍遇到“维数灾害”问题。针对以上困难和挑战,本文基于深度学习算法提出了两种预测模型,分别为适用于时间序列预测的PSR-Bi-LSTM（Phase Space Reconstruction-Bidirectional-Long Short-Term Memory）模型和适用于空间分布预测的c DC-GAN（conditional Deep Convolutional Generative Adversarial Network）模型。将两种模型分别应用于实际案例,其中,PSR-Bi-LSTM模型用于桂林丫吉岩溶试验场的S31泉动态预测,c DC-GAN模型用于CO2+O2地浸采铀反应运移模型的替代和不确定分析。结果表明,所提模型在实例中展现出较好的实用性。PSR-Bi-LSTM模型精确预测了泉流量的动态变化,预测步长为单步时,相关系数达到0.986,纳什系数、相对偏差和均方根误差分别为0.963、10.701%和0.021m~3/s;预测步长大于1时,预测效果随着预测步长增加而逐渐下降,预测步长控制在1-4时,预测精度均较为满意。c DC-GAN模型可以反映不同井间距和非均质场下铀的溶浸浓度分布变化,在验证集中,模型的平均结构相似度为0.92,平均均方误差为0.0042。c DC-GAN模型允许直接将非均质场作为输入,实现了图像到图像的回归方式,有效的解决了“维数灾害”问题。同时,将其作为替代模型用于不确定分析中,减轻了大量计算负担,显著地提高了效率。基于深度学习算法建立的PSR-Bi-LSTM模型和c DC-GAN模型,实现了时间序列和空间分布的有效预测,提高了不确定分析和管理优化的效率,为地下水相关研究提供新的方法借鉴。