多孔介质的有效导热率是多孔介质的一个十分重要的物理属性,导热率高的多孔介质可以广泛用于散热领域,而导热率低的多孔介质可以作为良好的热阻材料加以应用,所以明确有效导热率和多孔介质结构之间的隐藏映射是非常重要且有意义的。现阶段关于多孔介质有效导热率的计算方法以传统的数值计算为主,目前较常用的数值计算方法为格子玻尔兹曼方法,但是格子玻尔兹曼方法计算成本高,计算速度较慢。近来机器学习算法进展很快,也有部分研究使用了机器学习算法来进行多孔介质有效导热率的预测并取得了一定的效果。准确的预测多孔介质有效导热率只是导热率和多孔介质结构之间关系的一部分,另一方面假若给出一个确定的导热率和孔隙率如何反向生成设计出一个合理的多孔介质结构是一个值得分析的问题。本文首先介绍了机器学习的基本理论,主要推导分析了各个基本的机器学习回归算法,使用QSGS算法和格子玻尔兹曼方法生成了大量的数据制作数据集。对传统的序列模式的卷积神经网络进行改进,引入多特征融合的金字塔结构,使得神经网络不仅关注多孔介质的全局结构,也会关注多孔介质局部结构;然后使用传统的数值计算方法和机器学习回归算法在制作的数据集上进行了实验并分析对比实验结果;最后引入条件生成对抗网络来实现根据输入的导热率和孔隙率生成合理的多孔介质结构,介绍了条件生成对抗网络的基本理论,根据多孔介质的结构特征引入了局部结构损失函数,使得条件生成对抗网络可以有效学习到局部结构与有效导热率之间的隐藏映射关系。使用训练好的条件生成对抗网络模型在数据集上进行了实验,使用格子玻尔兹曼方法对所生产多孔介质的有效导热率进行了验证。本文的研究表明了机器学习在多孔介质导热率预测和生成多孔介质结构的有效性,机器学习算法在预测导热率时的平均误差为1%,生成多孔介质结构导热率平均误差为0.9%,误差均低于传统数值计算方法,且计算成本低且运算速度快,可用于快速计算多孔介质导热率和获取合理多孔介质结构,为多孔介质导热率的研究提供新的思路和帮助。