深入研究航空叶轮机内部流场结构及叶片的气动损失机理，并利用优化设计技术进一步提高叶片的气动性能有着重要的理论意义和工程应用价值。本文应用非均匀有理样条函数NURBS(Non-Uniform Rational B-Spline)技术实现了叶片的几何参数化，完成了叶片的造型，并提出了一种变学习率的动量BP神经网络算法，在压气机内部流场数值模拟和对转压气机实验研究的基础上，通过优化改进设计来改善了其气动性能。本文主要开展了以下几个方面的工作： 实现了NURBS曲线形状控制点信息与叶片几何参数的有效关联，重点突破了该方法在中弧线、厚度分布、吸压力面以及前后缘处理过程中的一些关键技术，成功地完成了对转压气机叶片的三维构型，为叶型的几何参数化提供了一种新途径。应用NURBS方法生成了某超音速叶型的前缘，探索了不同形状椭圆弧前缘对超音速叶型的气动影响机理；一系列流场计算对比分析结果表明：在保持气动弦长不变的前提下，存在某一个椭圆弧形状控制因子和方向控制因子的最佳匹配，使得叶型能获得更好的气动性能。 自行设计并完成了NURBS曲线/曲面类、中弧线类、厚度分布类、叶片吸压力面类和三维叶片实体类等底层工具，通过耦合CFD方法与神经网络优化技术，开发出了一套操作简便、功能较强且具有一定专业水准的叶片优化设计系统，完成了对转压气机叶片设计。后续的实践工作表明：该设计系统能够较好地进行叶片的几何优化设计，有助于提高或改善叶轮机的气动性能。 采用NURBS参数化方法，对带进口导流叶片的某三级轴流压气机静子叶片2进行了改型设计，应用S1流场计算方法对改型前后的叶片进行了数值模拟，对比分析结果表明：此方法拥有较高的精度和可靠性，能够较真实地模拟基元级中的流动结构，对后续工作中的基元级优化设计具有较好的指导作用。 针对一般BP神经网络算法在学习过程中容易产生振荡、算法的收敛速度慢、目标函数容易存在局部极小点以及对新样本训练集缺乏泛化能力等问题，提出了一种新的改进型变学习率的动量BP算法，同时实现了一种加入Dalta-bar-Delta规则的BP算法，解决了因学习因子固定而导致的收敛速度慢和学习训练时间过长等问题，通过加入动量因子增强了网络的抗振荡能力。 应用所提出的神经网络优化方法，建立了叶型几何模型与气动参数的相互制约模型，完成了某风扇转子叶片的优化改型设计。结果分析表明：风扇转子2根部改型后尾缘区的气流分离区减小，尾缘后部的漩涡强度减弱，尾迹漩涡的中心位置后移。同时风扇在设计点处的压比从2.7951上升到2.8014，上升了大约0.2254％，效率从0.85917提高到0.86243，增长了约0.3794％。完成了自行设计的双排对转压气机性能匹配实验研究，实现了实验与数值计算结果的有效性验证：一系列的实验结果表明：在设计转速下，从堵点到喘点，压气机的效率较高，基本处于0.8至0.90之间，压比浮动范围较大，但总体上维持在较高水平。随着转速的降低或两转子间转差的增大，压气机虽然能稳定工作，但性能迅速恶化，稳定裕度减小，快速进入喘振区。研究还发现：当转子1中分配的加功量稍多于转子2时，两转子间的性能匹配更为合理。 针对对转压气机原始设计中叶片暴露的问题对转子1进行了优化改进设计，结果表明：优化设计后，转子1吸力面上的气流分离线位置后移，气流分离区减小，根部区域马赫数等值线变化不大，在中间和尖部区域靠近尾缘处的尾迹区减小；在不同转速下的对转压气机的压比都比改型前提高了约0.9％左右，效率变化不大，但稳定工作范围都有所增加，且转速越低，稳定工作范围增长幅度越大，达到了优化的目的。