Como componente fundamental de un motor a reacción, el rendimiento aerodinámico de la góndola es esencial para el rendimiento general de una aeronave. Sin embargo, el diseño directo de una góndola tridimensional (3D) está limitado por el complejo espacio de diseño que consiste en diferentes perfiles de sección transversal y curvas circunferenciales irregulares. El método de reducción de dimensionalidad geométrica asistido por aprendizaje profundo combina autoencoders (AE) con fuertes capacidades para la reducción de dimensionalidad de datos no lineales y la transformación de funciones de clase/funciones de forma (CST). Se desarrolla un novedoso método de reducción de dimensionalidad geométrica para abordar las restricciones típicas de la parametrización de la góndola. Se extraen variables latentes de baja dimensión del espacio de diseño de alta dimensión para lograr una representación paramétrica de las variedades de góndolas 3D. En comparación con los métodos paramétricos tradicionales, el método de reducción de dimensionalidad geométrica propuesto mejora la precisión y eficiencia de la reconstrucción geométrica y la evaluación aerodinámica. Se propone un marco de optimización multiobjetivo basado en aprendizaje profundo para aumentar la eficiencia del diseño de góndolas 3D. Las curvas del frente de Pareto bajo restricciones de divergencia de arrastre revelan la correlación entre la distribución geométrica y la distribución del número de Mach isentrópico en la superficie de las góndolas 3D. Este artículo demuestra la viabilidad del método de reducción de dimensionalidad geométrica propuesto para la optimización multiobjetivo directa de góndolas 3D.