流场数据是记录流体质点运动情况的数据,计算流体力学利用计算机技术来求解和模拟流体的运动。计算流体力学庞大的计算量使得计算速度成为了制约其发展的重要因素,此外,由于流场数据的特殊形式,对计算结果还需要花费大量精力进行流场数据可视化。因此本文提出了针对流场数据的图像化处理方法和基于深度学习的图像回归计算模型,运用于流场数据的后处理过程中,达到了提升计算流体力学计算速度,和简化计算结果可视化步骤的两个目的,从而加速了整个流场数据的后处理过程。航空航天领域是流场数据计算和处理的典型应用场景,本文以飞行器设计过程为例,将所提出的回归计算模型运用于对飞行器流场数据的计算过程中,验证了所提出的方法和模型的可行性。本文的主要研究内容如下:(1)流场数据的图像化处理方法研究并分析流场数据的结构,并以Tecplot软件中的有限元网格数据为例,提出对流场数据网格特征进行提取的方法,以及三维流场数据到二维图像的转换方法。(2)流场数据的回归计算模型提出了基于全卷积网络的图像回归模型来完成流场数据的像素级回归计算,并针对流场数据的特殊性,研究和修改了回归模型的网络结构和训练方法。(3)流场数据的模拟回归计算实现使用所提出的流场数据图像化处理方法和图像回归模型进行飞行数据的回归计算,检验回归模型的回归误差和时间性能,测试回归模型在不同数据和网格上的泛化性能。