随着计算机科学的不断发展,流体模拟被广泛应用在电影、动画、游戏、虚拟现实和其他科学工程场景等诸多领域。精准高效的流体模拟方法能够极大地提升模拟的视觉感受效果以及相关工作的生产效率,然而当前现有的算法在模拟规模较大的流体场景时,受硬件条件的制约,很难做到效果和性能同时达到最优,往往必须在二者之间进行取舍。基于欧拉法的流体模拟是计算机图形学的重要方向之一,欧拉法的特点是精度较高和比较易于进行表面重构。但欧拉法中基于网格的流体计算的复杂度较高,在网格的分辨率较高时,直接求解精确的流体运动状态,往往会带来较大的性能开销。对于这个问题,本文引入了卷积神经网络(CNN)作为解决方案。卷积神经网络作为机器学习的重要分支之一,其特点是每一层的神经元能够接收和响应其周围局部神经元的状态。拥有恰当的模型的CNN,能够有效地对复杂的输入数据进行拟合或归类,被广泛应用在计算机视觉和图像处理等领域。在本文的方法中,我们采用基于二级网格和CNN的流体形态模拟方法,融合了欧拉法和CNN各自的优点,可以在降低计算复杂度、提高模拟性能的同时恢复因计算量降低而引入的形态失真。二级网格的流体结构抽象采用分而治之的思想,在原有粗网格的基础上进一步将网格分为细网格,并依据粗网格进行细网格的区域划分。我们在每个粗网格内进行局部的流体计算,从而有效减少流体计算的规模,并且允许使用并行计算进一步压缩计算时间;在此基础上,使用CNN来降低由于计算量减少而引入的误差,通过对欧拉法精确计算结果进行机器学习,得到较为精确的流体形态。实验结果表明,此方法在提高计算效率的同时仍能较好地保持流体形态细节。