流体模拟技术一直是仿真领域的研究热点,经过三十多年的研究与发展,理论基础与研究方法已经较为系统,可分为非物理模拟、物理模拟。现有的流体技术,已经可以在应用中模拟出视觉效果真实自然、细节丰富细腻的流体,这其中物理模拟功不可没。但物理模拟非常耗时,因而出现了针对物理模拟的加速技术或细节增强技术,当前这些技术仍存在对流体契合度低、耗时长或占用存储空间大等问题,所以流体解算在实时领域至今无法突破。为避免这些问题,结合卷积网络适应多维结构样本、拟合能力强的特点,本文提出了利用卷积神经网络直接将低分辨率流体转化为高分辨率流体的研究思路,并就此提出了一种新型的卷积神经网络转化器,该转化器完全以局部连接层组成,使其可以高效地学习小型训练集数据,以当前帧的二维低分辨率流体的速度场和密度场为输入,以二维高分辨率流体密度场为输出。为训练该转化器,本文生成了一个二维烟雾流体的数据集,该数据集仅拥有800个高低精度烟雾的对比样本。此外,本文提出了三种适用于流体密度场误差计算的代价函数,分别用于调整转化器结构、改进转化效果。经训练,转化器生成的高精度烟雾可达到逼真的视觉效果。