随着高端装备向着高速、重载、高精度等方向不断发展，动压轴承作为其核心支承部件，其性能直接决定了整机的稳定性与服役寿命。动压轴承工况严苛，其内部的流场、温度场与结构变形等多物理场耦合效应极其复杂。传统基于有限元（FEM）等数值方法的分析手段虽能保证较高精度，但计算成本巨大、耗时极长，已成为制约高端轴承快速研发与优化设计的核心瓶颈。如何在保证高精度的前提下，大幅提升复杂轴承性能的预测效率，是当前设计与分析领域面临的重大挑战。因此，迫切需要开发新型的轴承性能高效预测范式，并在此基础上建立智能优化框架，从而加速新一代高性能轴承的迭代进程，对提升我国高端装备的可靠性与市场竞争力具有重要的现实意义。本研究旨在解决上述难题，探索了“物理信息驱动”与“数据驱动”两种并行的智能设计方法。研究内容主要分为多物理场高效求解、数据驱动代理模型构建及结构协同优化三个部分。在多物理场求解方面，构建了基于物理信息神经网络（PINN）的创新求解框架，将流体润滑控制方程直接嵌入网络训练过程，实现了对轴承压力场、温度场的快速、无监督、高精度预测。在代理模型构建方面，提出了融合高保真物理模型与试验数据的数据驱动策略，通过构建全面的“结构-工况-性能”数据集，训练神经网络以瞬时预测替代耗时的数值仿真，高效评估轴承的关键性能指标。最后，将构建的高效代理模型与多目标协同优化算法相结合，对轴承的关键结构参数进行全局寻优，以实现轴承几何与其动态性能的协同提升，获得综合性能更优的创新设计方案。