快速且精确的导弹气动性能和流场预测能力对研制高水平导弹武器至关重要。现有的气动性能和流场预测方案有风洞试验、工程计算和基于CFD（Computational Fluid Dynamics）的数值仿真三类。风洞试验通过给模型吹风来模拟真实环境中的飞行状态,能够得到精确的气动数据,但过度依赖设计人员的经验,试验周期长且成本高。工程计算基于部件组合法并结合经验公式建立典型气动模型,只在常规导弹配置下具有较高的气动表征能力,不具有普适性。基于CFD的数值仿真对复杂物理流动进行数值模拟,计算复杂度高,耗时长。针对三类预测方案的不足,本文选取某导弹模型作为研究对象,在CFD生成的模拟数据上采用机器学习相关模型构建用于预测导弹气动性能和流场的代理模型,提出一套快速且精确的导弹气动性能和流场预测方案。本文主要研究工作如下:（1）GPR（Gaussian Process Regression）模型非线性表达能力强,且能够提供对预测结果的置信度,具有良好的可解释性。本文使用GPR模型对导弹的升力系数、阻力系数和俯仰力矩系数进行预测,并与其他几种不同代理模型的气动性能预测结果进行比较。实验结果表明GPR模型在预测结果稳定性和精度方面均优于其他代理模型,从而验证了该模型的实用性和有效性。（2）考虑GPR模型核函数选择严重依赖人工先验知识的问题,本文采用一种自动核构造算法,无需先验知识即可从数据中自动学习核函数。将该算法嵌入GPR框架中,提出改进的GPR模型——AKC-GPR（Automatic Kernel Construction and Gaussian Process Regression）,与使用其他核函数的GPR模型比较,结果显示AKC-GPR模型的预测精度最高。此外,给出导弹气动性能快速预测的应用实例,实验结果验证了AKC-GPR模型在导弹气动性能快速预测应用上的良好性能,能够满足气动设计阶段快速且精确的气动性能预测需求。（3）鉴于CNN（Convolutional Neural Network）和GAN（Generative Adversarial Nets）在图像领域应用的优势,本文提出基于TCNN（Transposed Convolutional Neural Network）和CGAN（Conditional Generative Adversarial Nets）两种深度学习模型,实现从给定攻角下的参数化外形到导弹弹体纵向对称面马赫数流场图像的一对一映射。在相同的模拟数据上对两种流场预测模型进行对比实验。结果显示两种模型均能以较高的精度预测流场,从而验证基于TCNN和CGAN模型的流场预测方案的可行性与合理性。此外,因CGAN模型在原始对抗损失基础上添加了重构误差损失,缩小了与真实流场图像的偏差,使得预测的流场图像更加清晰和真实,相对于TCNN模型进一步提高了泛化性能。