飞行器气动外形优化设计对提高飞机的经济性、舒适性和安全性起着关键作用。随着数值模拟方法和大规模并行计算技术的发展,各类气动外形优化设计方法已经广泛应用于飞机设计的各个阶段,缩短了飞机的设计周期。本文采用自动微分、机器学习以及活跃子空间方法,开展了气动外形梯度优化设计和全局优化设计方法的研究工作,结合离散伴随方法和降阶模型提出了一种混合两步优化设计方法,提高了优化效率、全局收敛性和鲁棒性。本文主要工作和创新点如下:（1）采用自动微分发展了雷诺平均NS方程（RANS）的离散伴随方法,结合序列最小二乘二次规划方法（SLSQP）构建了能够严格处理多种约束的梯度优化框架,实现了气动外形的高效梯度优化设计。本文离散伴随方法仅在网格单元层面使用自动微分,然后循环所有网格单元构造系统雅克比矩阵,在保证精确性的同时避免了自动微分引起的内存激增问题。采用GMRES方法求解离散伴随方程,提高了求解效率,结合SLSQP梯度优化算法、RBF插值网格变形方法和多种外形参数化方法,构建了气动外形梯度优化框架。与有限差分梯度计算结果的对比验证了该离散伴随方法的正确性,翼型优化设计标准算例结果表明了该优化框架的高效性和鲁棒性。（2）基于模态表征方法构建了气动力数据库,结合机器学习算法发展了翼型精确在线气动力预测模型,采用梯度优化算法实现了亚跨音速任意翼型的快速优化设计。发展了翼型几何外形的弯度-厚度模态表征方法,采用占优模态插值方法确定高阶模态系数的上下边界,使得设计空间在包含大量实用翼型的同时将奇异翼型排除在外。采用RANS和离散伴随方法对十几万种采样翼型进行了气动力分析和梯度计算,构建了翼型气动力数据库。采用聚类算法将大量采样数据集合自动分割为多个数据簇,在每一簇中构建气动力子模型,并结合分类算法和多专家模型构建了全局气动力代理模型。大量验证结果表明该模型的气动力预测精度与RANS相近,同时基于该模型的翼型梯度优化设计能够实时完成,实现了翼型在线优化设计。（3）提出了基于离散伴随和采样光顺技术的活跃子空间快速求解方法,结合代理模型发展了一种新的高效全局优化设计方法（ASM-EGO）,实现了高维气动优化问题的高效求解。ASM-EGO采用活跃子空间方法大幅减少高维气动优化问题的设计变量个数,避免了高效全局优化设计方法的维度灾难问题。基于拉普拉斯光顺算法的采样光顺技术显著降低了求解活跃子空间对采样点的需求,同时利用离散伴随方法高效计算采样点的气动力梯度,进一步减少了计算量。对220个外形设计变量的机翼减阻优化设计结果表明这种ASM-EGO方法在高维气动优化问题中具有极高的优化效率。（4）提出了数据驱动约束函数方法,基于数据将设计经验转化为连续可微的数学约束,增强了气动外形梯度优化设计的鲁棒性。通过对大量外形数据的模态分析和相关性分析,采用混合高斯模型模拟相关模态的分布特性,利用概率密度函数实现了新外形是否满足设计经验的自动判定。以翼型和机翼外形优化中的尖前缘问题为例,提取了翼型模态约束函数以限制优化过程中翼型或机翼剖面形状。施加该约束的梯度外形优化显著改善了尖前缘问题,进一步的CFD分析表明这种数据驱动约束增强了优化设计的鲁棒性。（5）发展了本征正交分解（POD）降阶模型及其离散伴随方法,结合自动分区校正算法提出了面向全局收敛的混合两步气动外形优化设计方法,实现了气动外形精细化设计并提高了优化效率。采用Petrov-Galerkin投影方法构建了侵入式POD降阶模型,结合基于误差估计的自动分区方法对敏感计算域中的POD预测解进行CFD校正,提高了流场的求解效率和精度。推导了这种分区降阶校正流场求解方法的离散伴随方程,发展了分区降阶伴随方法,显著加快了气动力梯度的计算。提出的混合两步优化设计方法首先采用基于代理模型的非梯度优化算法进行全局寻优,基于其中的流场采样数据构建分区降阶模型,然后采用分区降阶伴随方法和梯度优化算法加速精细化优化设计过程的收敛,兼顾了全局收敛性和优化效率。二维翼型和三维机翼优化设计结果表明该混合两步优化方法具有较高的优化效率和严格的收敛性。