超声速客机典型大后掠角机翼层流设计面临横流失稳诱导的边界层转捩问题，基于线性稳定性理论的标准e N 方法涉及特征值问题的求解，需要频繁的交互式运行，难以满足快速转捩预测及迭代设计的需要。针对上述难点，对三维可压缩边界层相似性解进行线性稳定性分析生成大批量的特征值样本，借助卷积层的空间特征提取能力实现对输入基本流剖面特征的自动识别，并与边界层外边缘流动参数及扰动参数等一起经全连接层映射到特征值或当地增长率，从而构建适用于超声速横流驻波失稳及转捩预测的e N 卷积神经网络模型。通过对一系列变工况和几何的无限展长后掠翼进行稳定性分析，该神经网络模型对扰动增长因子的预测结果与标准e N 方法高度吻合。最后根据NASA的一款超声速后掠翼横流转捩标模的相关稳定性分析及飞行试验数据，对该神经网络模型在真实有限翼展三维构型中的转捩预测能力进行了验证，结果表明其具有较强的泛化能力并保证了较高的准确性，是一种较为高效且可靠的建模方法。