当前,随着计算机技术的快速发展,计算流体力学数值模拟方法在飞行器设计中发挥着越来越重要的作用。目前成熟的计算流体力学数值模拟方法和软件大多采用求解雷诺平均的Navier-Stokes方程实现,这类偏微分方程通常无法求得其解析解,而只能通过数值计算方法获得其数值解。数值计算首要步骤是将求解问题的连续计算域离散成多个基本单元,即网格生成。然而当前网格生成的自动化水平以及效率仍然需要提升,因此对减少人工交互的自动化网格生成技术的研究将是计算流体力学领域中一项基础且关键的工作。人工神经网络具有强大的非线性拟合、自适应、自组织和自学习的能力,因此本文主要研究如何将人工神经网络用于非结构网格生成,围绕人工神经网络“学什么”、“怎么学”、“怎么用”这三个关键技术问题,以传统的阵面推进法、层推进法为基础,通过对阵面推进法和层推进法的算法特征与关键参数提取,设计在现有网格数据上自动构造训练样本数据集方法,发展基于人工神经网络的二维非结构/混合网格生成方法,以提高传统方法的网格生成效率与质量,并初步推广应用于三维曲面网格生成。具体研究内容如下:首先,因传统阵面推进法中每生成一个新的三角形网格单元会有大量相交性判断等复杂循环迭代计算而导致效率低下,引入人工神经网络到阵面推进法能有效改善这一问题。为此,设计了一种数据训练样本自动提取方法,并利用神经网络对网格生成环境以及该环境下所生成新点位置与生成模式之间的非线性关系进行学习,所得的神经网络模型能够对新网格点位置进行预测。由于上述方法基于统计模型,弥补了每次新单元生成时必做的相交性检查与固定的网格尺寸设计,该方法生成网格的效率比传统阵面推进法高约30%,网格质量也能得以提高。其次,针对传统阵面推进法每次仅生成一个网格单元,网格生成效率仍有提升空间。从传统单阵面推进思想出发,采用了一种双阵面同时推进的思路。结合神经网络多分类处理方法,统计了双阵面同时推进时所包含的10种典型模式,采用这些模式作为数据样本训练神经网络以在后期的网格生成过程中识别这些模式;在此基础上,引入专家系统,对某些复杂需细化的模式进行深入处理,降低了分类难度,可以单次生成三个及以上的网格单元。专家系统与神经网络的结合提高了网格生成智能化水平,网格生成效率较传统阵面推进法提高约一倍。再次,为进一步研究粘性流动的数值模拟,采用物面附近各向异性的半结构网格与物面远场的各向同性网格能使数值结果与真实物理数据更为吻合。本文采用神经网络预测层推进法生成各向异性网格过程中的推进方向、凹凸区域光滑因子、多方向推进数量等关键参数,该方法而降低了层推进过程中迭代算法求解关键参数的复杂度;而在物面远场区域,则采用基于神经网络的阵面推进法生成各向同性三角形网格以提高网格生成灵活性。测试结果显示数值模拟实验与风洞试验数据吻合度高,证明该方法所生成的网格具有较高的计算精度,能满足复杂粘性流动数值模拟的需求。最后,在二维平面网格生成的基础上,将基于神经网络的阵面推进法推广至三维STL曲面网格生成。根据曲面特性建立网格尺寸控制场,然后识别STL模型的特征边,根据特征边将模型分解为多个子区域,并将特征边按尺寸控制场离散成合适的阵面。在STL子区域与参数平面角度较小的情况下采用传统映射方法,反之则采用空间三角面片旋转与xoy平面重合,进而采用基于神经网络的阵面推进法在子区域内生成各向同性三角形网格,然后通过反映射到空间曲面上,合并所有空间子区域以生成最终STL网格,该方法在确保网格生成效率的情况下可使网格畸变问题得以改善。