由于受到计算机发展水平的限制,湍流的高精度数值模拟方法短时间内依然无法在大规模工程计算中广泛应用。而现在工程中普遍采用的雷诺时均模拟(RANS),在许多工况下依然存在精度问题。传统方法主要依靠湍流理论的发展和建模者的经验来改进湍流模型,这对建模者的理论和数学功底提出很高要求,且难以充分利用越来越丰富的实验数据。近年来不断发展的机器学习方法,给湍流模型的发展提供了新的思路。采用伴随优化方法对实验数据进行反处理,得到针对SA湍流模型的优化变量场。然后利用机器学习方法对该变量与平均流场之间的关系进行训练,将得到的机器学习模型嵌入RANS求解器中以改善湍流模型在特定流场中的计算效果。为了改善SA湍流模型在跨声速激波诱导的边界层分离流动中的计算效果,本研究以NASA跨声速湍流模型验证模型轴对称突起(TransonicAxisymmetricBump)的风洞实验数据作为原始数据,采用上述方法对SA模型进行修正。修正后的新模型在原算例中展现出良好的精度,并在相似算例上进行测试,结果表明其具有一定的泛化性能。