通过数值模型或者实地测量得到的观察值(例如:水头值、溶质浓度值)和先验信息来估计含水层参数,是地下水流动模型建模过程中的一个基本问题。准确的含水层参数是正演模型能否反映该区域水文地质情况的关键所在,与此同时在地下水污染问题中,含水层参数对于预测污染物的影响以及随后进行科学的补救决策至关重要。然而,当研究区域含水层参数异质性强烈,从而导致参数维度较高时,通过正演模型状态变量来反演含水层参数是具有挑战性的。在应对这类问题时,即使通过某些降维方法来减少研究区域求解的参数数量(例如:Karhunen-Loève变换法),通常也需要大量的变量表示含水层参数的强烈异质性,因此需要设计方法来解决高维反演问题。近年来随着计算机计算能力的提升,深度学习为知识表示和复杂模式识别打开了一扇新的大门,特别是卷积神经网络(Convolutional Neural Network,CNN)的发展,其基于感受野的设计原理,通过卷积层提取图像局部特征,再通过转置卷积层进行上采样的方法,非常适合于捕捉图片细微的特征,来实现图片之间的翻译,这种思路很适合推广到求解地下水含水层参数反演问题当中来,本文基于CNN网络设计了一种用于求解含水层参数的深度学习模型。在此基础上,通过结合生成对抗网络(Generative Adversarial Nets,GAN)可以学习跨域映射来进行图像翻译方面的特性,本文提出了一种用于含水层参数识别的对抗生成网络模型HP-GAN,用于同时学习地下水高维参数空间和对应正演模型模拟的状态空间之间的双向映射,并使用HP-GAN对地下流动建模的代表性问题进行了演示,与直接通过CNN模型反演的结果进行了对比。实验结果表明,HP-GAN在识别水头值与含水层参数映射方面取得了令人满意的准确率,为解决复杂的水文地质问题提供了一种新的基于深度学习的方法。