翼型设计是飞行器设计中比较重要的步骤，影响着飞行器的主要飞行品质。在进行翼型设计时，传统的风洞实验和CFD技术周期长、成本高。为了降低成本、提高翼型的设计效率，作为对现有翼型设计方法的一个补充，本论文将机器学习中的多输出高斯过程(MOGP)应用到翼型气动性能快速评估和翼型快速设计中。MOGP采用了高斯基过程与光滑核函数的卷积为每个输出端口建模，并通过共享高斯基过程模拟多输出端口之间的相关性。本论文采用一组NACA翼型族的翼型作为实验数据，计算出在一定条件下每个翼型的升力系数、阻力系数和表面压力分布，进行气动性能快速评估实验和快速翼型设计实验。气动性能快速评估实验以翼型外形参数为输入数据，预测翼型的升力系数和阻力系数；快速翼型设计实验以翼型表面的压力分布为输入数据，预测翼型的外形参数。论文建立了MOGP模型模拟实验中翼型与气动性能之间的非线性关系，并与常用的单输出高斯过程(SOGP)回归模型以及传统的BP和RBF神经网络模型进行了对比。实验结果表明，在气动性能快速评估实验中，多输出端口之间具有明显的相关性，MOGP比SOGP以及传统的BP和RBF神经网络模型有着更好的预测精度。在快速翼型设计实验中，多输出端口之间无明显相关性，MOGP和SOGP具有相似的设计精度，但是其结果比BP和RBF神经网络模型具有更高的精度。由此可见，在翼型设计中当多输出端口之间具有明显的相关性时，应考虑端口之间的相关性来提高设计的精度。