轴流风机因为结构简单、风量大、效率高,在工业及家用产品中都有广泛的使用。风量和效率,是评价轴流风机性能好坏的两个重要指标,改善轴流风机的性能,对于节约能源具有重要作用。本文根据一款用于汽车散热系统中的开式轴流风机,进行了数值仿真及叶型多参数（弯、掠及小翼）的优化工作。具体工作内容如下:编写Matlab程序,对叶型叶片进行了参数化建模的工作。在原型叶片的基础上,定义了前弯度、前掠度及小翼的改型参数,通过Matlab计算并输出叶片的表面几何,从而可以实现（弯掠及小翼）叶片的快速绘制。采用计算流体力学方法,验证了计算仿真的准确性并校核了网格收敛性。研究采用定常流体动力学方程组及RNG k-ε湍流模型,采用单流道的结构化网格,动静交接面采用MRF处理,计算结果与试验结果误差较小,计算收敛较快,方便开展后续优化工作。基于拉丁超立方的多参数样本设置方法,对前弯度、前掠度及小翼参数进行了样本空间的设计。得到了15组参数组合,既满足最小样本个数条件,又实现了对各参数的较广的覆盖范围。对设计出来的这15组参数,分别绘制了叶片几何并完成了流动仿真,得到了不同风机的风量和效率。选用Isight软件,采用Kriging近似模型和NSGA-Ⅱ优化算法,以风量和效率为目标,前弯度、前掠度及小翼为变量参数,完成了多目标优化工作。通过Isight优化,得到的最优的风量和效率,相比原型风机提升了26.06%和21.07%,最优参数组合C1、C2、C3分别为0.579、0.941、0.704,最优参数组合通过CFD进行了验证。内流规律也验证了最优参数组合较显著的提高了近叶尖区域的轴向速度,并通过小翼抑制了叶尖失速区,从而显著的提升了风量和效率。在传统轴流风机气动设计方法中,没有针对前弯、前掠及小翼参数的设计方法。本文中,尝试了使用反馈神经网络方法来进行这一类的参数设计工作。建立的神经网络中,以风量和效率为输入变量,前弯度、前掠度及小翼参数为输出变量,使用上述15组样本进行学习和训练。该神经网路能够收敛,说明能够使用反馈神经网络方法建立风量效率与这三个可变量之间的非线性关系。最后,通过训练好的神经网络,计算了最优风量、效率时,前弯、前掠及小翼的设计结果,结果与Isight及CFD结果都有很好的一致性,这说明这种设计方法具有一定的可靠性。本文主要是针对一款轴流风机的性能提升问题进行研究,开展轴流风机叶片的多参数优化工作。通过快速参数化几何设计、准确和快速的CFD模拟、尽可能小的样本空间及合理的优化策略来缩短整个优化过程的时间周期。而且通过神经网络的使用,提出了一种准确、计算量小、适用场合较多的设计方法,通过这种快速,精确的反向设计方法可以实现轴流风机的多参数设计,缩短轴流风机的优化设计周期。