随着计算机技术和数值方法的快速发展,旋翼空气动力学分析手段获得了快速的发展,虽然数值分析技术精度越来越高,但是计算效率仍然没有显著提高。现有CFD方法限于自身精度与效率的矛盾很难实现旋翼翼型气动力、流场的快速甚至实时预测,因此必须借助其它方法。目前以人工智能为核心的新一代信息技术革命正在影响着社会的各个方面,已经有专家学者开始采用该技术在气动建模分析,飞行器优化设计,风洞智能化控制等方面进行探索研究。鉴于人工智能强大的计算和分析回归的能力,本文利用人工智能方法开展对直升机旋翼翼型的气动力系数预测、流场预测、以及网格生成方法等方面的研究,减少CFD计算耗时。本文将建立三套神经网络模型分别用来预测旋翼翼型气动力系数,翼型的流场气动特性,以及网格生成方法。首先介绍了国内外CFD计算方法以及人工智能技术的发展现状,阐述了本文的研究思路与主要研究工作规划。接着建立了一套翼型网格生成方法,并基于所生成的网格建立了适用于翼型流场计算的高精度CFD计算方法,验证所建立的数值模拟方法的有效性。然后介绍了人工智能方法和人工神经网络模型,并利用经典卷积神经网络验证卷积神经网络对于数据之间非线性关系的分类聚类和强大的计算能力。利用深度神经网络(CNN+BP)与CFD计算方法结合,建立样本专家库,搭建并训练神经网络模型。分别从翼型厚度和弯度等外形参数研究模型对于气动力系数的预测性能影响,给出结果分析。接着利用CFD计算方法建立流场数据库,搭建和训练用于翼型流场预测的卷积神经网络(CNN),预测不同种类翼型在不同马赫数和迎角下的流场情况,给出预测结果分析。紧接着利用卷积神经网络、RBF神经网络(CNN+RBF)和旋翼翼型网格生成方法结合,发展了一种用于自动生成网格的神经网络算法,降低网格生成工作和计算量。最后总结了研究过程中所采用的方法以及研究结果的优缺点,并对进一步发展前景进行了讨论。