近些年来,随着海洋能源的不断开发,潮流能水轮机的应用越来越广泛。转轮叶片是潮流能水轮机中的主要部件,而叶片的性能又与水力翼型密切相关,因此开展水力翼型的水动力学优化设计对提升潮流能水轮机的性能有重要意义。在目前水力翼型和叶轮叶片优化设计方法中,仍以优化算法与CFD数值模拟相结合为主,该方法由于CFD的单个样本性能计算时间太长,使整个优化流程的时间周期远超出设计人员可接受的范围。为此已有部分研究采用浅层神经网络建立翼型几何参数和翼型性能间的非线性响应模型,并代替传统CFD过程应用于翼型优化中,但由于水力翼型优化时的目标性能参数较多,浅层神经网络在构建复杂非线性响应关系时精度有所欠缺。因此,有必要采用一种新的神经网络构建水力翼型几何参数与性能参数间的响应关系,以提升水力翼型优化设计方法的可靠性与高效性。本文提出深度信念网络与NSGA-Ⅱ算法相结合的水力翼型多工况优化设计方法,以提高翼型优化效率,主要内容如下:（1）采用Bezier曲线对翼型NACA63-815参数化。引入度量空间中的欧几里得距离对不同攻角工况下（0°、6°和12°）水力翼型的升阻比和空化性能参数进行统一,从而极大缩减了优化问题的目标函数数量。最后使用最优拉丁超立方试验设计方法获得训练神经网络所需的水力翼型样本,并通过数值模拟方法计算得到每个翼型样本的性能参数。（2）在传统深度信念网络的基础上,分别以一组约束变量,包括不同工况下翼型的阻力系数和升力系数;两组目标变量,包括翼型的升阻比差距和空化性能差距,共三组变量为三个分网络（DBN1、DBN2及DBN3）的输出变量,以翼型上下型线的纵坐标数值为输入变量,构建适用于本文所研究的水力翼型性能参数的多维深度信念网络。基于最优拉丁超立方抽样设计方法,在规定的设计空间内产生1600个水力翼型样本用于训练DBN,并重新抽取100个样本用于检测DBN模型的准确性。为了提高深度信念网络模型的预测精度,采用NSGA-Ⅱ算法分别优化DBN1、DBN2及DBN3的网络参数。此外,通过与相同结构BP神经网络模型预测翼型参数的精度对比,验证深度学习预测的准确性和稳定性。（3）以水力翼型的升阻比差距和空化性能差距为目标函数,翼型表面积及0°、6°和12°攻角工况下的阻力系数和升力系数为约束函数,建立多维DBN与NSGA-Ⅱ遗传算法的优化流程开展水力翼型优化设计。整个优化设计过程,与直接采用CFD评价样本个体相比,节约时间77.3%左右,提高了整体优化设计工作的效率。采用CFD分析优化翼型与原始翼型的几何形状、压力系数、壁面熵产率及湍动能等性能,发现优化翼型的升阻比性能均优于原始翼型,同时空化现象也得到了较好的改善,证明该优化方法的有效性和可行性。