基于人工智能技术的高性能电工装备智能优化设计，符合中国智能制造大背景下的国情。电机作为典型的电力装备，其研究重点由感应电机逐渐转移到了永磁电机，永磁同步电机传动系统凭借其性能优势已广泛应用于工业制造、电动汽车、日常生产、轨道交通、风力发电、建筑医疗等领域。　　由于永磁同步电机设计存在大量的设计变量、复杂的几何参数和材料属性等设计因素，同时通过一个设计过程来满足电磁、机械、热、和材料属性等问题，使得永磁同步电机的优化设计成为了一个多目标的复杂非线性问题。国内外学者提出了分层优化的方法，通过敏感性分析，借助设计人员的经验，使用浅层神经网络方法结合分层优化，也取得了良好的效果。深度学习算法在处理多输入、多输出、非线性数据时具有优越的数据特征表达能力，且拥有极强的泛化能力，使得优化设计不易陷入局部最优点，因此本文以永磁同步电机为研究优化对象，提出了一种基于深度学习算法的性能预测优化设计与分析方法，主要研究内容如下:　　首先，分析和研究了深度学习的相关理论，从而为下文将要提到的基于深度学习的永磁同步电机单目标和多目标性能预测，提供了理论支撑。利用有限元仿真软件搭建永磁同步电机模型，分析了电机稳态性能和空载性能，为下文确定了优化设计与性能预测目标。　　其次，选取机器学习领域经典回归预测案例进行深度学习模型预测精度性能测试，其准确的预测结果为下文的电机性能预测，提供了可行性;将深度学习算法应用于永磁同步电机齿槽转矩的预测问题中，选择了4输入、单输出的典型电机小样本案例，通过合理的建模策略完成了小数据样本的深度学习算法构建和案例验证。　　最后，提出了一种基于深度学习的SAE-NN预测模型，实现并验证了对永磁同步电机的多输入、多输出的高精度性能预测，并使用田口正交实验法优化了SAE-NN的模型超参数。　　结果证明深度学习凭借处理多输出、多输出、非线性数据的优势，能够准确的表达永磁同步电机结构参数与性能参数的复杂非线性关系，具有很高的预测精度。同时与电机设计的有限元分析方法互为验证，为传统的电机设计方法开辟蹊径，也为电机设计中的多输入、多输出问题奠定了基础，为电工装备领域深度学习算法的应用和推广提供了理论和实践支撑。