为解决传统数值模拟方法在蝠鲼三维柔性大变形流场仿真中计算资源与时间上的局限性,本文提出一种基于去噪概率扩散模型的生成式人工智能方法(surf-DDPM),通过输入运动参数变量组,预测蝠鲼表面流场.首先,采用浸入边界法和球函数气体动理学格式(IB-SGKS)建立蝠鲼扑动模态的数值计算方法,获取了在0.3—0.9 Hz频率和0.1—0.6倍体长幅值条件下共180组非定常流场数据集.其次,构建了噪声扩散过程的马尔科夫链和去噪生成过程的神经网络模型,并将运动参数与扩散时间步标签嵌入网络,完成模型训练.最后,验证了神经网络超参数对模型预测的影响,并可视化了未参与训练的多扑动姿态压力场和速度场预测结果,进行预报结果准确性、不确定度与预测效率量化分析.结果显示,该模型实现了具有大跨度高维上采样特征的蝠鲼表面流场数据的快速准确预测,预报结果全部位于95%置信区间内,单工况预测相较CFD方法效率提升99.97%.