汽车外形优化一直是降低汽车油耗的重要手段,也是国内外汽车公司的研究重点。汽车在行驶过程中,其前后表面的压差阻力约占总阻力的85%。压差阻力产生的主要原因是气流在车尾汇聚后会形成一个较大的涡流,气流紊乱,形成了较大的湍流动能,使得较多的动能转化为热能散失掉,增加了能量消耗。故改善汽车尾部结构能有效改善尾部涡流,进而可以有效降低汽车油耗。本文以某CAR车型为研究对象,从流体理论分析、计算数值仿真、尾部流场分析、关键参数筛选和预测模型搭建等方面研究了该车型的风阻性能。本文主要研究内容如下:（1）仿真计算模型的建立。本文基于汽车真实模型建立了1:1尺寸的全细节三维计算模型,然后对其边界与求解等条件进行设置。再进行了多次仿真后,消除了随机误差,最终仿真值的相对误差只有0.3%。模型的全尺寸建模和仿真的精度,验证了计算模型的正确性和可行性。（2）外形尺寸关键参数的筛选。对该车型的外流场进行分析,重点关注尾涡,分析出影响尾涡的七个外形尺寸特征参数（后悬、后挡倾角、离去角、离地间隙、尾箱高度、车尾宽度、顶盖后端下压幅度）。通过最优拉丁超立方（Opt LHD）进行耦合试验设计,经过相关性分析,筛选出了关键特征参数;并对关键特征参数进行耦合试验设计,得到了建立预测模型所需的数据库。（3）单一风阻预测模型的建立。1)建立径向基神经网络（RBFNN）预测模型,对数据进行归一化处理,使用相对误差和平均相对误差作为预测评价指标,训练后预测精度可达94%。2)建立基于粒子群优化的最小二乘支持向量机（PSO-LV-SVM）预测模型。将使用粒子群优化前后的LV-SVM模型预测结果进行比较,发现粒子群优化后的模型精度高于优化前,PSO-LV-SVM精度可达93.5%。4)组合预测模型的建立。使用BP神经网络进行PSO-LV-SVM与RBFNN的智能权重调节,组合预测模型精度可达96%。使用改进遗传算法对BP神经网络的初始权重值进行优化后,组合模型预测精度可达98%以上。结果表明组合预测模型精度高于单一预测模型,最终的组合算法模型可作为汽车风阻系数预测的有效手段。