在数字岩石(Digital Rock)技术中,可以通过X射线计算机断层扫描(Computer Tomography,CT)技术获得岩石等多孔介质的三维微观结构,进而利用此图像进行3D建模并分析计算岩石的各项物理特性。但由于岩石内部几何结构具有高复杂性,传统的孔隙结构建模方法已难以满足现代岩石物理学分析中对高质量岩石微观图像的需求。生成对抗网络(Generative Adversarial Network,GAN)是2014年人工智能领域提出的一种深度学习框架,可有效构建随机概率分布(均值分布,高斯分布)到真实数据分布的映射。本文创新性地将生成对抗网络跨学科应用于岩石等多孔介质重建的研究中,在有限的或受损多孔介质图像样本的基础上,由随机分布的数据生成与真实样本具有相似特征的二维或三维微观图像,以实现多孔介质模型重构。这一方法的优势在于:1.重构后的多孔介质图像较真实;2.重构速度快;3.可以生成大量不重复的多孔介质图像。本文首先研究了利用三维多孔介质图像重构多孔介质图像的深度学习方法,在基本的生成对抗网络结构上做出了部分改进,结合Wasserstein GAN与三维深度卷积生成对抗(3DCGAN)网络设计了一种三元生成对抗网络结构。其次,考虑到二维图像较经济,计算资源占用较少,本文提出了一种只使用二维多孔介质图像来随机重构三维多孔介质图像的方法,并把此方法与利用三维图像进行重构的方法进行了比较。接着,采用生成对抗网络与自动编码器结合的方法研究了受损多孔介质图像的修复问题。本文在pix2pix网络的网络结构基础上进行改进得到一种用于将受损的多孔介质图像修复成对应完整图像的算法模型,并与传统图像修复算法进行了比较。最后,论文给出了用生成的三维多孔介质模型进行物理特性数值计算的结果。实验结果表明,采用本文中的方法所生成的多孔介质模型与真实的多孔介质模型在物理特征上具有很好的一致性。生成对抗网络有效地扩大了多孔介质模型的数据集,可更好地应用于深度学习方法预测多孔介质样本物理特征的研究。实验表明了相较于传统的三维模型重构方法,基于生成对抗网络的多孔介质重构方法具有生成图像真实且不重样、速度快、训练稳定以及与真实多孔介质的物理特征一致等特点。充分展现了深度学习方法在多孔介质建模分析等跨学科领域的应用潜力。