机翼是飞机的重要部件之一,是飞机飞行性能的决定因素之一。翼型是机翼性能的决定因素,因而翼型设计是机翼设计的首要环节。现代飞机设计要求翼型的设计周期不断缩短、性能不断提高。然而传统翼型设计主要依赖于设计者的经验、风洞试验和CFD计算,设计周期长、效率低、成本高。为了充分利用工程中已经积累的气动数据,本论文首次提出在大的翼型设计范围内使用机器学习的方法研究翼型外形和气动性能的对应关系,并首次在NACA四位数字翼型基础上使用高斯过程回归模型模拟这种对应关系,以达到快速进行翼型设计的目的。在翼型气动性能评估过程中,使用翼型外形与气动性能数据训练高斯过程回归模型,以预测新翼型的气动性能。针对单输出高斯过程回归中超参数优化初始值难以确定的问题,本论文首次提出根据训练数据估计超参数优化初始值的方法。在翼型反设计过程中,使用压力分布和外形数据训练高斯过程回归模型,以预测新的压力分布对应的翼型。针对多输出高斯过程回归模型难以应用于实际问题的缺点,本论文首次提出基于关系矩阵的多输出高斯过程回归模型。在由翼型外形预测翼型气动性能的实验中和由压力分布预测翼型外形的实验中,高斯过程回归模型都表现出了预测准确度高、预测结果稳定和运算速度较快的特性,因而可以尝试在工程实际中使用高斯过程回归模型辅助翼型设计,以提高翼型设计效率,降低设计成本。