高超声速飞行器是当前航空航天界研究的热点，乘波飞行器构型被认为是克服高超声速“升阻比屏障”的一种有效方案。基于CFD分析的乘波体优化设计需要反复调用CFD分析模块，这是一个非常耗时的过程，针对此问题，本文发展了一种基于神经网络技术的乘波体优化设计方法。　　 在乘波体设计时，其前缘参数和性能参数(体积、表面积、升阻比)存在强烈的非线性映射关系。本文通过建立神经网络模型来模拟这种映射关系(重点模拟乘波体的CFD分析过程)。在此基础上完成了以提高升阻比为目标的单目标优化设计和以改善体积、表面积和升阻比三项综合性能为目标的多目标优化设计，在优化过程中直接调用神经网络模型代替CFD分析过程。　　 从优化结果来看，单目标优化的最优解相对于其初始值提高了9.16％，多目标优化相对于其初始值提高了14.17％。对比于单目标优化，多目标优化的升阻比减小了5.375％，但是有效容积增加了49.79％，并且总体目标函数的数值是减小3.829％。基于神经网络模型得到最优解之后，对所得到的最优解做CFD分析并对比其网络输出值，单目标优化最优解和CFD分析值的相对误差为0.53％，多目标优化最优解与CFD分析值的相对误差为0.96％。由此可见，在误差允许的条件下，优化过程的CFD分析可以用神经网络模型来替代。　　 从计算效率来看，优化所需要的时间主要在于搭建神经网络模型的时间，而搭建神经网络模型的时间是可以预知和控制的。对于本文的算例，做一次单目标优化需要调用神经网络模型133次，做一次多目标优化优化则需要调用神经网络模型303次，而搭建神经网络只做了61次的CFD分析，由此可见，该方法可有效地减少计算时间，且计算时间不依赖于优化方法。