空气动力学作为一门古老的学科在航空航天、船舶、风力发电等领域一直以来都发挥着重要作用,如何快速、准确的求解空气动力学问题始终是科研工作者们孜孜以求的目标。在航空领域,飞行器机翼的空气动力学特性直接决定着飞行器的性能,科学、有效的预测机翼翼型的空气动力学性能成为飞行器设计中一项极为重要的工作。传统上翼型的空气动力学问题的求解是一种自上而下的过程,依赖于求解流场网格上复杂的偏微分方程组,而这些问题大多是高维度、多尺度、非线性的问题,很难快速得到解析解。近年来,随着数据科学和机器学习技术的快速发展,为求解空气动力学问题提供了一种新的途径,即数据驱动建模。它根据过去设计、分析和优化过程中产生的大量流场测试和模拟数据,结合机器学习算法,在神经网络模型中将输入映射到输出。目前,卷积神经网络（CNN）由于其强大的图像特征提取能力,在空气动力学领域得到了人们的极大重视。本文首先设计一种用来预测翼型气动系数的CNN模型。该网络输入的是融合了流动条件的翼型图像,并将预测值与XFLR5软件计算的真实值进行比对,从预测的结果来看与真实值误差较小。其次,构建了一种翼型反向设计CNN模型,以翼型压强系数（Cp）分布为输入,输出翼型的形状。从结果来看,预测的翼型形状与真实翼型形状非常接近。