混凝土材料具有抗压强度高等优点,是目前应用范围最广泛的建筑材料,其力学行为的研究是固体力学领域中极具挑战性的任务之一,引发了大量学者的广泛关注和研究。细观层次认为混凝土是一种由粗骨料、砂浆基质以及孔隙等组成的复合材料,普遍考虑混凝土宏观层次呈现的力学特性与各细观组分的形态、分布特征密切相关。但是一方面,建立细观特征与宏观力学性质之间的明确关系表达式极具挑战性;另一方面,细观力学研究通常需要大量真实细观结构样本,尽管CT技术能够获取混凝土细观结构特征,但重复的高成本CT扫描耗时耗力,无法为细观数值模拟研究提供大规模研究样本。深度学习擅长挖掘数据内部特征信息,在多领域取得了广泛应用。近年来,深度学习在非均质材料宏观力学性能预测、异质材料重建设计等领域取得了开拓性研究成果,但相关理论、应用场景以及具体研究方法仍处于初步探索阶段,特别是针对混凝土这种典型非均质复合材料的研究成果十分有限。基于此,论文以混凝土材料为研究对象,根据深度学习中不同算法的优势和特点,进行了混凝土宏细观力学行为研究。一方面提出采用Goog Le Net卷积神经网络预测混凝土细观模型宏观应力-应变曲线,另一方面借助生成对抗网络,对混凝土细观模型的重构开展了探索性研究工作。主要研究内容如下:（1）混凝土细观模型应力-应变曲线预测研究。论文首先建立了不同骨料含量和孔隙率的二维随机骨料模型,借助ABAQUS获取静态单轴压缩荷载下的应力-应变曲线,分别对有限元模型以及应力-应变曲线进行数据预处理,建立用于深度学习的数据集;其次,借助基于Keras搭建的Goog Le Net模型以及改进的损失函数对数据集进行训练;最后将应力-应变曲线预测结果以及从应力-应变曲线提取的宏观力学性能与有限元数值结果进行了对比分析,还将Goog Le Net模型与其它经典卷积神经网络模型测试结果进行了对比分析。研究结果表明:Goog Le Net模型能够挖掘混凝土细观模型与应力-应变曲线执之间复杂映射关系,实现端到端的快速、准确预测。（2）混凝土细观模型重构及力学行为研究。首先采集混凝土试件的CT断面图像,借助一系列图像预处理方法获取包含骨料和砂浆基质的二维混凝土细观模型图像数据集;其次,基于数据集对深度卷积生成对抗神经网络（DCGAN）训练,载入模型参数实现混凝土细观模型重构;随后,分别采用主观和客观评价标准对生成样本进行质量评估;最后,分析对比相同骨料含量下生成和原始样本在单轴压缩载荷下力学响应的一致性和差异。研究结果表明:DCGAN模型可以实现混凝土细观模型的快速、高效重构,能够为细观数值模拟试验提供可靠的模型。