本文是在国家自然科学基金[项目编号51979127]与国家重点研发计划[项目编号2020YFC1512405]的资助下看展工作的。离心泵作为一种使用最为广泛的流体传输装置,据相关部门统计,离心泵耗电量约占我国每年总耗电量的10%,耗电量占比十分巨大。因此提高离心泵的工作效率就有利于实现国家节能减排的目标。离心泵叶轮是其核心过流部件,叶轮设计的好坏影响着离心泵内部流动状况也就决定了离心泵的效率高低,针对离心泵叶轮的设计方法与优化方法的研究从未间断。在学者不断的努力下,各种新的设计方法与优化方法开始被应用于离心泵产品的设计与生产,但是从新产品的开发周期而言,要设计出一个高效的离心泵叶轮仍然需要耗费大量的时间成本。设计、模拟仿真、试验、再回到设计,这样的迭代过程依旧是最主流的设计思路,而在近些年机器学习理论研究不断发展的情况下,如何利用新技术缩短新产品开发时间受到了研究者的关注。论文结合机器学习技术与遗传算法等,探讨了将离心泵叶轮迭代设计过程中定性的半经验设计转化为科学的定量设计的可能,最终开发了基于人工智能的离心泵叶轮智能设计优化平台,并使用模拟计算与试验进行了验证。本次的主要研究内容有:（1）总结了离心泵设计的国内外研究现状,包括水力设计方法及相关的流道优化、叶片优化等。同时阐述了离心泵叶轮在设计过程中,参数取值、型线绘制过分依赖设计人员经验,且设计、建模、仿真、修改设计整个迭代优化过程人力成本高时间成本高的问题。在总结近些年人工智能相关技术发展的基础上,分析了将难以定量的半经验设计转化为可以定量的智能设计的可能。（2）建立了离心泵叶轮主尺寸设计神经网络并用其进行主尺寸预测,使用叶轮流道过流断面面积变化曲线作为流道优化基础,并根据此理论编写了评估算法,使用该算法作为遗传算法的适应度函数确定了流道优化方法,并通过一组优化实例的流道内部流动分析验证了优化方法的有效性。同时建立了离心泵叶轮叶片进出口角与包角神经网络,用其进行叶片各个角度的预测,并使用逐点计算与递归二分查找法结合Bezier曲线库完成了叶片绘型。（3）为了突破神经网络数据库的限制,将CFturbo、Pumplinx、Isight软件进行联合搭建了智能仿真平台,对以上通过神经网络预测参数设计出的泵模型进行数值计算,并使用模拟退火算法优化,从而得到优化后的泵模型。通过一组优化实例对比说明了此智能仿真平台最终优化出的叶轮模型,其内部流动状态良好且水力效率较高。（4）使用拉丁超立方抽样对智能设计方法允许的比转速范围进行抽样。选择其中一个样本与CFturbo默认设计、传统半经验设计结果进行内部流场对比与性能对比,结果表明智能优化设计方法可以实现从依赖设计人员半经验设计,向模型自动预测参数智能设计的转变,与传统方法相比具有设计效率较高的优势,且设计出模型的水力效率与内部流动也有保障。（5）基于Python语言与Qt框架等,搭建了离心泵叶轮智能设计优化平台,并阐述了智能设计平台的基本架构与主要开发方法与功能。最终实现了简化离心泵叶轮的设计优化流程,提高离心泵叶轮设计效率,脱离传统方法对设计人员经验依赖的目的。