航空发动机作为给飞行器提供动力的部件,因为其向不断地向着高推重比、高精度、轻量化的方向发展,这就导致航空发动机内部结构变得更为紧凑,叶片间的干涉作用更加强烈,航空发动机的设计要求也随之变得越来越高,所以,对航空发动机叶片气动力进行分析变得尤为重要。目前,叶片气动力数据需要通过专门实验和仿真来获得,但是传统的实验和仿真建模周期长、消耗资源多,气动力降阶模型受数据获得方式的限制,故难以对复杂工况下的叶片气动力进行快速分析,显然,这对航空发动机设计研究是不够的。针对这一研究现状和发动机设计的需求,本文提出了研究基于文献CFD数据与实验数据图像识别搜集的气动力降阶模型构建方法,通过搜集文献图表数据,用图像识别的方法抓取文献中的CFD数据与实验数据,并用这些数据建立卷积神经网络气动力降阶模型,对不同工况下叶片的表面气动力的快速分析方法进行了研究。本文的主要工作内容如下:（1）基于图像识别方法获取不同工况下叶片的气动力数据,采用Roberts算子、Prewitt算子、LOG算子、Sobel算子、Canny算子分别对叶片气动力文献数据图像进行边缘检测,之后用Hough直线检测算法对叶片气动力文献数据图像的坐标轴进行检测标记,最后采用HSV空间转换的方法对图片颜色进行提取。分析结果得出:基于图像识别方法的文献数据提取模型能够较为准确的提取不同颜色的曲线数据,但对于同色曲线的数据提取具有一定的局限性。（2）建立基于卷积神经网络的叶片气动力降阶模型,对不同流向角、速度、总压条件下的叶片气动力进行预测,并将卷积神经网络的叶片气动力降阶模型的输出结果与基于图像识别方法的文献气动力数据提取模型获取的CFD仿真结果和实验结果进行对比。分析结果得出:将多工况下叶片气动力作为训练信号对卷积神经网络模型进行训练,得到的卷积神经网络气动力降阶模型可以较快预测叶片气动力,并且预测结果的误差可以控制在20%内。（3）本文采用特征提取方法对样本数据进行降维处理,结合上述卷积神经网络模型建立数据降维方法下的叶片气动力降阶模型。本文采用PCA方法和参数池化两种数据降维方法,分别对航空发动机压气机叶片气动力数据样本进行特征提取,并将基于两种样本特征提取方法下的卷积神经网络压气机叶片气动力降阶模型的预测结果进行对比,结果表明:基于PCA样本特征提取方法的卷积神经网络压气机叶片气动力降阶模型预测结果抖动较大,精度相对较低。而基于参数池化样本特征提取方法的卷积神经网络气动力降阶模型预测能力较强,预测结果最大误差在15%内。相对比未采用样本特征提取方法的压气机气动力降阶模型计算速度提高了5%,模型的泛化能力叶更强。