在航空领域中,压气机是航空发动机的关键部件,压气机的性能会对发动机的推重比、耗油率等性能参数起决定性作用,而且对整机的稳定性和可靠性具也有重大影响。国内外航空发动机的研制经验表明,压气机性能的优劣直接影响到发动机研制的全局。最早的叶型气动性能测试都是通过叶栅试验吹风完成,试验能够获得的叶型成本较高,而数值仿真分析的方式存在计算量大、仿真周期长的缺点。因此,本文在综合考虑到国内外的研究情况以及所面临的问题之后,以压气机叶片为研究对象,采用了数值模拟与深度学习相结合的方式对压气机内流气动计算方法开展了研究,具体研究内容及取得的成果如下:（1）对双圆弧叶型建立了叶型流体仿真数据库,使用控制变量法对最大厚度、最大厚度位置、栅距、叶型尾缘与轴向角度四个参数共建立5292个叶型仿真模型。整体仿真流程在ANSYS Workbench平台完成,通过网格划分软件Mesh进行批量化的网格划分,确定网格量级为60万可以得到气动系数的准确结果,使用流体仿真软件CFX进行数值模拟,在计算前与CA-2压气机叶型的实验进行了对比验证,验证了CFX数值仿真模拟的准确性,使用CFD-POST进行后处理,提取了叶型流场坐标数据提取和建立与气动参数的映射,建立了双圆弧叶型设计仿真气动参数数据库。（2）将数值模拟的流场坐标的数据与气动参数的映射提供给多层神经网络和卷积神经网络进行训练,分别对多种预测模型的准确率进行了测试比较。深度学习网络模型采用残差神经网络,其中采用架构层数选择为34层,这不仅解决了神经网络的退化问题,而且具有很强的表征性。研究发现:通过深度学习的方式可以有效的对叶轮机械内部流场气动参数进行准确预测,该模型预测的扩散因子的误差率小于0.2%,总压损失系数误差率小于1.2%,卷积神经网络可以作为一种新的气动参数求解方法,并证明卷积神经网络在气动系数预测的精度上优于全连接神经网络和深度神经网络。（3）对一种适合高亚音速和跨音速的压气机叶型建立了数学模型,将该模型使用Matlab进行平台实现,并且对最大厚度、最大厚度位置、栅距、叶型后缘与轴向的角度四个参数进行参数化建模生成几何文件并导出,生成共计22331个算例文件。将叶型几何文件导入到Pointwis网格划分软件,使用T-Rex技术对所有算例文件划分了混合网格,将网格导入至Open FOAM进行计算,使用CA-2压气机叶型进行实验对比验证和网格无关性验证后得出30万网格的量级适用于Open FOAM叶型仿真计算,与实验对比有较高精度。将22331个叶型流体域网格文件导入至Open FOAM进行了仿真计算并获取流场数据。使用Matlab-Open FOAM叶型设计仿真流程可以将任意参数的叶型进行批量设计、网格划分、求解以及数据处理,生成的流场数据库可用于机器学习模型训练。该论文有图47幅,表4个,参考文献58篇。