在飞行器气动优化设计中,应用遗传算法进行气动优化需要巨大的计算量和计算时间。针对这个问题,本文对级联前向神经网络作为流场数值计算的代理模型展开了研究,以减少计算量,提高计算效率。本文对比研究了多种可以构建代理模型的方法,包括Kriging方法、BP神经网络、级联前向神经网络等。用这些方法构建代理模型,进行流场数值计算,然后比较了这些方法的拟合精度。数值结果证实了级联前向神经网络作为代理模型的可行性。本文采用Class-Shape function Transformation(CST)参数化方法,对翼型进行参数化,在限定的范围内随机生成翼型样本。应用样本对级联前向神经网络进行训练,用训练后精度达到要求的级联前向网络作为翼型流场数值计算的代理模型。采用单目标的遗传算法,级联前向网络和流场数值计算的升阻比作为目标函数,翼型的CST参数作为单位个体的所有基因,对标准翼型进行优化。数值试验表明,用级联前向网络计算出的升阻比可达到进行气动优化所需要的精度要求,同时对于给定的优化目标可节约大量计算时间。