随着计算机性能的不断提高,计算流体力学(CFD)在实际工程应用中发挥着越来越重要的作用。CFD网格质量决定着模拟仿真数据的准确性。因此网格质量检测过程就显得尤为重要,间接决定着后期计算工作的准确性。网格质量的判别检测过程始终摆脱不了人工参与,现阶段无法实现网格质量的自动判别,这也将制约下一阶段高质量CFD网格自动生成技术的发展。围绕网格质量自动判别技术,本文首先在研究网格质量判定标准和卷积神经网络技术的基础上,设计了基于卷积神经网络的CFD网格质量判别技术方案,确定了实现网格质量自动判别的流程。然后通过对卷积神经网络框架搭建技术的研究,确定了一套适合CFD网格数据训练识别优化策略。最后基于TensorFlow机器学习框架,采用Python编程语言开发了CFD网格质量自动判别程序,实现了二维翼型网格质量判别自动化。本文将卷积神经网络识别分类方法用于网格质量智能判别,研究开发出梯度网格数据自动生成程序以及网格质量特征提取工具,将原始网格数据制作成可以进行卷积神经网络模型训练的数据集,对构建的卷积神经网络模型进行训练,获得可对CFD网格质量进行判断识别的卷积神经网络模型。最终分析结果表明,该方法在二维翼型网格质量的判别问题中,实现了网格质量自动判别,同时具有较高的准确率和鲁棒性。与人工网格质量判别相比,网格质量自动判别能够极大地提高网格质量判别效率,大大缩短网格质量判别周期,最大限度地减少网格质量判别的工作量。同时CFD网格质量自动判别技术将给网格自动生成提供巨大的技术支持,具有极高的工程应用前景。