空气动力学的研究由来已久,对航空航天事业的发展和国家安全来说至关重要。传统数据建模方法对该领域的高度非线性偏微分方程的拟合精度有待进一步提升,计算机技术与神经网络的发展给空气动力学的数据建模带来了曙光。神经网络模型的训练需要充分的数据,才能够得到精度较高的模型,但是空气动力学的数据较难获得且代价昂贵。针对上述问题,本文建立生成式对抗网络(GAN)模型,能够自动学习原始数据分布,生成逼真样本。本文的主要工作如下:(1)针对气动力数据建模,设计GAN模型。原始的GAN模型通常多为卷积神经网络,并不适用于气动力数据建模,为此本文提出了基于多层感知机和多径向基的GAN气动力数据模型。(2)为解决气动数据量不足和GAN训练不稳定的问题,引入了基于Wasserstein距离的生成式对抗网络(WGAN)模型。WGAN通常的实现办法是权重裁剪和梯度惩罚,权重裁剪会使得网络的鲁棒性降低,梯度惩罚存在梯度消失的问题,为此本文建立了基于差分的WGAN模型,能够增强判别器损失函数的局部连续性,在小样本数据集中网络训练更加稳定。(3)为解决判别器对生成样本决策正确时GAN出现的饱和问题,构建基于最小二乘法的GAN模型,在任何时候都能够拉近任何生成样本与真实样本之间的距离。由于该模型前期收敛过快,后期误差回弹,本文提出了一种基于最小二乘法和交叉熵的GAN模型,该模型能够结合这两种损失函数的优点,模型更加稳健。(4)针对空气动力学数据求解难与GAN生成数据的随机性问题,提出了基于条件生成式对抗网络(CGAN)的气动力数据模型,使得该网络能够适用于复杂的气动力数据集。在多组数据中进行实验,以证明本文所提出的模型在气动力数据建模方面的普适性。对本文提出的模型设计实验,分析得出:基于差分的WGAN模型在小样本数据集中表现良好,基于最小二乘法和交叉熵的条件生成式对抗网络模型的模型能够结合两种损失函数的优点,使模型更加稳定。并与其他文献的模型进行对比,验证了本文模型在气动数据回归建模中的优越性。