随着高性能计算技术的迅速发展,计算流体力学（CFD）已经成为空气动力学与流体力学的重要组成部分。计算网格是CFD模型的几何表达形式,也是数值分析与模拟的载体。网格单元的质量严重影响着CFD数值计算的效率与精度,因此在解算之前对网格质量进行评估十分重要。但是,目前的网格质量判别过程主要依赖于人工经验,即主观判别方法。这大大加重了网格质量判别的开销,严重影响了数值模拟的效率。卷积神经网络（CNN）的发展为网格质量判别工作提供了一个新思路,随着深度学习技术的发展,CNN已经成为其最具代表性的神经网络之一,目前应用于许多依靠人工提取数据特征进行分类的领域。为了将人工智能技术应用于CFD网格生成质量判别领域,本文首先构建了一个网格数据集NACA-Market。基于影响网格质量的三个重要属性（光滑性、正交性、分布合理性）,本文通过网格生成器生成了大量不同质量的NACA0012翼型网格,并对每套网格都打上网格质量属性的标签,构成了一个带有不同网格质量标签的网格数据集合。NACA-Market的提出填补了人工智能在网格生成质量判别领域的空白,也为网格的自动优化工作开辟了新领域。针对CFD中无法高效、准确地判别网格生成质量的问题,本文还提出了一种基于卷积神经网络的网格生成质量判别方法Mesh Net。基于卷积神经网络局部连接、权值共享、池化操作以及多层结构的特点,本文搭建了一个具有五十层卷积的网络结构,再通过预处理网格数据集NACA-Market中的网格数据,训练得到一个能够高效、准确地判别网格生成质量的神经网络模型。实验结果表明,该模型可以提高网格生成质量判别工作的效率,并且对网格生成质量判别的准确率达到了94.41%。为了进一步提高Mesh Net对网格生成质量判别的准确率和效率,本文从网络结构和网格数据两个方面去优化了该方法。在网络结构上,通过合理的超参数组合（学习率、迭代次数、激活函数、批次大小、优化器、权重衰减系数等等）以及模型剪枝操作,进一步提升了Mesh Net的预测性能。在网格数据上,使用不同的数据处理方法来降低网格数据的维度,加快了Mesh Net的训练过程,降低了计算成本,提高了特征提取的效率。