我国航空航天产业的迅猛发展及全球激烈的市场竞争对飞行器设计技术提出更高的要求,精细化、高效率的设计技术受到青睐,而飞行器气动外形设计是飞行器设计的重要内容,其影响了整个飞行器的飞行性能和飞行品质。飞行器气动外形优化设计旨在采用数学优化的思想解决工程设计问题,在流场数值模拟计算的支持下,以气动外形参数化方法、代理模型技术和优化搜索策略等为主要内容的优化设计方法为飞行器气动外形设计提供了一个广阔的设计空间。飞行器气动外形优化设计技术有效地缩短了设计周期,并且能使设计更为精细,提高飞行器的性能指标。近年来气动外形优化设计方法研究广受重视,基于工程设计的数学优化模型的提炼、参数化方法适应性、代理模型的精度以及优化搜索方法的全局收敛性等问题是研究的关键内容。针对上述优化设计的关键问题,本文主要开展了以下几个方面的工作:1、对FFD参数化方法进行研究,构建了适应复杂外形几何参数化的多块FFD拼接方法,提出了非规则FFD控制框局部坐标的解算方法,给出了FFD方法在几何参数化的同时对相应流场网格的自适应变形方法。多块FFD拼接方法将复杂几何外形进行分块参数化,使每一块的几何体参数化简化,在整个几何体变形时保持块与块之间的分离面处的一致协调性和连续性。本文提出的FFD局部坐标解算方法可以很好的解决任意非规则FFD控制框下的局部坐标求解问题。2、对标准微分进化算法的收敛性进行分析,在此基础上提出FA-DE优化搜索方法。采用马尔科夫链方法对标准微分进化算法及FA-DE算,方法的收敛性进行分析,证明了标准微分进化算法不能保证收敛于全局最优,而FA-DE方法能够依概率1收敛到全局最优。FA-DE方法针对标准微分进化算法的全局收敛性及收敛速度进行改进,在标准微分进化算法的基础上引入新的变异机制及选择策略,改善算法的全局寻优能力,提高收敛速度。算例测试结果表明FA-DE方法较之标准微分进化算法能够更快、更可靠的收敛于全局最优。3、提出了一种自适应RBF神经网络模型;建立了自适应RBF神经网络模型对剖面压力分布的预测方法。较之原始的RBF神经网络模型,自适应RBF神经网络模型能根据具体应用环境自发识别最优映射关系,完成预测空间的重构优化,具有较强的通用性和适应性,预测精度较高。本文提出的基于自适应RBF神经网络模型的剖面压力分布预测方法能够快速的预测出整个剖面的压力分布形态,且算例测试表明其具有较高的预测精度。4、提出了基于压力分布预测的气动外形优化设计方法。其以翼型/机翼剖面压力分布的典型特征为优化目标,结合了反设计和优化设计的思想,通过自适应RBF神经网络模型对剖面压力分布的预测和FA-DE优化搜索来得到符合一定压力分布特征的压力分布所对应的气动外形。通过翼型优化设计算例验证了该方法在单点、多点优化设计中具有较高的优化设计效率和可靠性。5、采用基于压力分布预测的气动外形优化设计方法,集成FFD参数化方法、FA-DE优化搜索算法和自适应RBF神经网络模型等技术模块,构建了气动外形优化设计系统;将该优化设计系统用于某型宽体客机的气动设计当中。设计结果表明该系统在单设计点、多设计点的优化中减阻效果明显。6、提出翼型后缘弯度变化的参数方法和机翼后缘变弯度、沿展向变弯度的参数化方法,在变弯度的参数化基础上,采用优化方法得到不同设计状态下对应阻力较小的翼型/机翼几何构型,对弯度变化引起的阻力减小机理进行了分析。