叶片是航空压气机内部的关键零部件之一,在工作过程中起着能量转换的作用,其质量的好坏直接影响发动机的整体性能和运行安全。随着人们对能源和动力的不断追求,压气机不断向高负荷、高效率、大流量的方向发展。压气机在工作时内部环境十分恶劣,三维强非线性和非定常性特性使得压气机叶片表面承受很高的离心负荷,在复杂非定常气动负荷作用下压气机叶片颤振问题日益突出。叶片颤振将会导致叶片在短时间内结构振动发散而破坏。在高转速下叶片承受的离心力和气动负荷很大,造成叶片极易发生高周疲劳失效,使得叶片在短时间内发生破坏,危害性非常大。因此在压气机设计阶段对振动叶片的流场及其所产生的非定常气动力予以准确地预测具有重要的意义。由于叶片流场的流固耦合特性、三维强非线性和非定常性特性,气流激振力下的叶片振动分析仍然是当今的技术难点之一。由于叶轮机内部流动十分复杂,直接采用CFD方法进行压气机叶片颤振分析计算量大、效率低,因此建立一个高效、准确的非定常气动力模型是开展压气机气动弹性分析的基础。近几年发展起来的基于CFD技术的非定常气动力降阶模型,通过少量CFD样本的学习,可以达到同CFD仿真相近的精度,使得非定常气动力的计算效率提高一到两个量级。这种优势使得ROM易于和其他学科模型相耦合,并且用于多学科分析、控制和优化设计等研究。本课题采用基于CFD技术获取高保真的样本数据,利用机器学习领域的成果建立结构位移与气动力之间的数学关系式,分析系统的物理特征并利用数学的原理解释复杂的流固耦合现象。以及采用动态模态分解的方法分解压气机三维叶片流场气动力快照,将复杂高维流场进行低维分解,提取复杂系统的相干结构及各个模态的频率和增长信息,根据提取的相干结构建立流场演化的重构和预测模型。机器学习方法和动态模态分解方法的预测结果均与CFD仿真获取的气动力值进行比较。引入决定系数R~2和均方根误差（RMSE）作为模型评价指标。结果表明,基于机器学习模型的预测结果与CFD结果吻合较好,计算效率显著提高。说明基于机器学习方法的气动智能模型以及动态模态分解方法在叶片振动稳定性评价方面值得进一步研究。