摘要：粒子图像测速(PIV)技术是一种定量的非接触式全局速度场测量技术。在船舶与海洋工程领域,PIV实验中拍摄的粒子图像常出现结构物遮挡或自由液面等干扰现象,需要对其进行掩模后计算液相区域速度场。因此,实现PIV图像中干扰区域自动掩模及液相区域速度场高精度计算具有重要的意义。本文基于光流卷积神经网络LiteFlowNet,设计了一种可实现自动掩模及速度场计算的深度学习模型Mask-PIV-LiteFlowNet,并使用基于物体入水PIV实验图像掩模数据集和PIV速度场计算数据集制作的数据集对其进行训练和测试。测试结果表明,该模型能够有效减少临近掩模边界区域的速度场计算错误并能够精细地提取流场小尺度流动信息,相比于当前先进的PIV深度学习模型PIV-LiteFlowNet-en,本文提出的模型在对带结构物的合成粒子图像进行流场计算时精度获得了至少14.5%的提升,计算速度上获得了5.7%的提升。最后,使用楔形体入水PIV图像对提出的模型进行了测试,验证了模型的泛化能力。