轴流压气机作为大推力航空发动机三大“核心”部件之一,在发动机预研和型号研制中占有着非常重要的地位。随着现代航空工业的高速发展,对发动机提出了更高的要求。要求设计的发动机具有高推重比、低油耗和宽广的稳定工作范围。与之相对应的,对于高性能的压气机设计而言,所面临困难程度就大幅增加。就压气机气动设计而言,在各设计环节中对于经验依赖性依旧较大,对于优化而言,其优化变量的影响因素与自由度的增加造成压气机优化设计的复杂程度大幅增加。如何提高经验设计模型的精度要求并且将高精度设计程序与优化算法充分结合以实现压气机气动快速优化设计成为了多级轴流压气机气动优化设计的关键技术。关于多级轴流压气机的设计过程对经验的高度依赖问题,本文利用已有成熟叶型的仿真计算结果及积累的实验数据与叶型参数信息归纳形成的经验参数为基础,利用人工神经网络强大的学习能力与泛化能力,建立了适用于S2流面通流程序中落后角与损失的预估的神经网络结构,通过完善的各工况下训练样本数据建立起叶片几何参数、气动参数与落后角和总压损失系数的映射模型。将该模型与传统经验公式进行替换后,对比全三维CFD数值计算和实验结果,替换后的S2流面正问题分析程序的整体精度大幅提高。针对数值优化计算占用的计算资源过大、耗时过长而难以应用于多级轴流压气机工程设计的问题,本文将上述S2流面高精度预估程序与遗传算法相结合开展了压气机设计参数分析优化。以某三级轴流风扇作为算例,将该轴流风扇第三级转子与静子叶片各径向截面的叶型弯角作为优化参数,流场性能参数作为优化目标函数值,通过上述优化方法获得所需最佳设计叶型。对优化后的三级轴流风扇进行全三维CFD数值计算分析,将设计状态工作点的计算值与实验值进行对比,验证了该优化设计程序的有效性。由于该气动优化设计利用了神经网络映射模型快速得到流场参数信息,替代了传统数值优化过程中流场参数反复迭代计算过程,大幅提高了优化设计效率,降低了人为经验依赖度与盲目性,并且整个过程中,只需要对设计参数进行初始化设计,节省了人力资源,同时缩短了研制周期。对于实现多级轴流压气机优化设计的智能化具有重要意义。