近年来,流速测量在水电资源调控的过程中扮演了重要的角色。我国发展了众多的农村小水电站用以进行实时的水电调度。实际的天然环境复杂多变,河道流速往往会随季节、时间以及地势的变化而变化。目前的流速测量方法尽管取得了良好的效果,但仍存在不足之处。一方面,传统的人工流速测量方法在实际操作中耗费了大量人力和物力,且一旦发生洪涝灾害或者当地形复杂时,专业测量人员的安全无法得到可靠保证;另一方面,流行的粒子图像测速方法大多需要向天然河道抛撒合适的示踪粒子,且示踪粒子的选择又有诸如环保性、可行性等条件限制。因此,在尽可能节约人力成本以及设备成本的前提下,设计和开发一种新型非接触式流速测量方法具有十分重要的意义。随着大数据和深度学习时代的来临,大数据量级的分类及预测已经开始应用于不同的实际场景。得益于其强大的特征自学习能力,深度学习已经在模式识别领域发挥了举足轻重的作用。本文从现有常用的流速测量方法的优缺点着手,利用在图像生成和分类领域已广泛应用的生成式对抗网络以及卷积神经网络,探索并设计一种全新的非接触式流速估测方法,本文的主要工作如下:(1)针对河流表面纹理特征丰富性不足的问题,为实现数据增强效果,提出一种基于条件边界平衡的生成式对抗网络算法,以实现在正常晴朗天气时的水流图像生成。算法引入条件标签信息,强制引导生成网络的生成数据方向,降低模型的生成自由度;同时为保证生成样本的可靠性,在判别器的真伪判断之外,另增加了验证模块,对生成数据进行对应类别的可靠性验证,以实现更高质量的水流图像生成。最终通过实验验证了所提算法的有效性。(2)在以上研究的基础上,实现对存在雾气遮挡的水流图像模拟,增加数据集的异常情况,提出一种改进的端到端生成式对抗网络,引入新的目标损失函数,在不降低生成样本模糊度的前提下缓解模型在水流数据集上的过拟合问题,从而增强后续分类网络的鲁棒性。最后利用实验对水流数据进行仿真与伪样本生成。(3)为实现不同流速级的水流流速分类,除了对数据集进行增强以外,也对分类模型进行改进,提出一种基于多特征融合的卷积神经网络,实现对多尺度特征的融合和学习,以增强分类网络应对细节差异小的流速图像的区分能力,同时通过服务器平台的实验验证了该分类网络对不同流速级别以及不同流速分辨率的估测效果。综上所述,本文主要研究基于生成式对抗网络的河流表面图像生成及流速估测方法,并将所提算法应用于实际的小水电站数据集中,且均取得了良好的实验效果。