在空气动力学领域,大多数问题都是通过求解相应的偏微分方程来解决的。然而,在翼型设计领域中,这些问题是高维、高度非线性和多尺度的,很难找到解析方法。所以在通常情况下,这些难以解决的问题都是通过数值方法来处理的。但是数值方法受制于计算效率,近年来随着数据驱动方法的发展以及深度学习在计算机视觉领域中的成功,激发了其在研究物理现象中的应用,深度学习在代理建模和预测复杂物理现象中有独特的优势,因此被广泛应用于翼型设计领域。本文基于深度学习技术,对翼型压力分布预测中流场和翼型气动力预测进行了研究,在流场预测方面,提出了一种基于图的数据驱动模型,该模型使用图卷积神经网络（G-CNN）对非结构化网格上的翼型进行了流场阻力预测,在G-CNN方法中添加了归纳卷积层和自适应池化层,对翼型周围层流的相关阻力进行了评估,在不依赖空间结构的情况下,能够以高于0.8的拟合优度以及低于0.01的归一化均方误差的情况下进行流场阻力预测。并针对数值方法低效的缺点,提出了基于CNN的翼型气动力预测方法,基于XFLR5软件生成了标签数据,并提出了一种新的原始数据处理办法,解决了不同翼型样本坐标对数目略有不同所导致的数据大小不均匀问题。并且针对翼型失速情况,选取了不同的迎角范围的翼型数据集并对升阻比进行了研究。基于训练好的CNN模型,在保证预测精度的同时,极大提高了计算效率。本文首先介绍了国内外数值方法以及人工智能方法的发展现状,阐述了深度学习技术在翼型设计领域的成果,其次介绍了数值方法以及神经网络基础。在流场预测方面,讨论了使用非结构化网格的图表示方法以及基于归纳图卷积方法,建立了两层卷积池化以及三层全连接层的网络模型并在池化层中引入了神经元“跳跃连接”的概念。在气动力预测方面,建立了四层卷积池化以及两层全连接层的网络模型,并结合气动分析软件XFLR5,给出了预测结果分析,最后总结了研究成果以及对未来工作的展望。