飞机在结冰气象条件下飞行时,机翼、尾翼、发动机、传感器等核心部件易发生结冰现象,其中机翼结冰不仅会影响飞机的气动性能,严重时还会导致飞行事故的发生。因此,开展飞机结冰原理研究、预测翼型结冰及其气动特性变化具有重要意义。当前飞机结冰预测方法主要包含飞行试验、风洞试验以及数值计算等方法,这些方法往往存在预测周期长、所耗资源大等问题,无法实现快速、高效地预测。对此,本文利用深度学习开展翼型结冰相关研究,建立快速、高效的翼型结冰及气动特性预测方法,并以NACA0012翼型为例进行方法有效性和可靠性的验证。论文完成的主要工作如下:（1）分析机翼结冰原理以及影响其结冰的主要因素,对目前国内外在机翼结冰预测研究开展相关调研,总结现有研究方法及优缺点,并重点介绍基于计算流体力学的数值计算方法,为本文后续的预测研究提供理论和数据支撑。（2）开展了基于深度学习的翼型结冰预测研究。根据预测对象的不同分为冰形的预测和冰形几何特征参数的预测,通过翼面坐标转换、傅里叶级数展开等获取冰形曲线参数和冰形几何特征参数,利用深度置信网络和栈式自编码器搭建预测网络,选取部分数据选择出最优预测网络模型,同时选择BP网络作为对比网络。预测结果表明利用深度学习预测冰形的冰形相似度因子在90%以上,冰形几何特征参数预测平均误差在4%以内,均优于BP网络。此外,利用迁移学习和风洞试验数据进一步验证网络的可靠性和泛化性。（3）开展了基于深度学习的结冰翼型气动特性预测研究。根据预测方法的不同分为基于冰形图像的气动参数预测和基于冰形几何特征参数的气动参数预测,其中基于冰形图像的预测通过数据转换获取冰形,利用卷积神经网络提取冰形图像特征,建立数据之间的非线性关系,预测结果表明利用该方法预测固定攻角范围内的气动力系数平均相对误差在5%以内;基于冰形几何特征参数的预测则选取对气动特性影响最大的4个参数作为输入,利用深度全连接网络建立预测模型,结果表明预测平均相对误差在10%左右。