离心压气机是化工、交通运输等行业的重要耗功设备,传统基于CFD结果“试错-修改”的离心压气机设计方法需要进行多次的设计迭代且不易获得设计参数的全局最优解,已难于适应高性能离心压气机日益严苛的设计要求。本文将人工神经网络和遗传算法等数学方法与工程工具相结合,提出一种新型离心压气机设计方法。本文共分两个部分：第一部分建立了一种离心压气机一维优化设计方法。首先用经过实验数据修正的两区模型建立离心压气机叶轮设计样本库,其次借助BP人工神经网络建立样本库各设计参数与叶轮气动性能之间的映射关系,最后使用多目标遗传算法寻找Pareto最优解集。通过对Krain叶轮设计工况进行优化设计,获得一维优化叶轮,效率、压比较Krain叶轮原型分别提高1.4%和10.9%。通过Krain叶轮数值模拟结果与实验测量值的对比,证明了数值模拟方法的准确性。通过对人工神经网络模型与多目标优化模型的可靠性分析,特别是Pareto解集的主成分分析与一维优化叶轮的数值模拟结果的分析表明：本文所获得的Pareto解集可以反映原有数据库基本特征,所构建的伪目标函数形式合理,基于遗传算法的多目标优化模型可以寻找到离心压气机设计人工神经网络模型的最优解。第二部分对一维优化叶轮进行了三维优化。通过Design3D软件对一维优化叶轮的叶型进行参数化与控制点坐标的寻优,获得了针对Krain叶轮设计工况的三维优化叶轮。三维优化叶轮数值模拟结果的表明,优化后的叶轮内部流动有所改善,效率、压比较原型分别提高3.7%和13.6%。说明了本文所建立的离心压气机优化设计方法在离心压气机选型与优化过程中的可靠性,以及本方法求解多维非线性压气机设计反问题的优越性。