Con el fin de ampliar el rango de área de alta eficiencia de una bomba de flujo axial de alta velocidad específica y mejorar la eficiencia operativa en condiciones no de diseño, se optimizaron los parámetros de las palas de la bomba de flujo axial. Se estableció un sistema de optimización basado en dinámica de fluidos computacional (CFD), muestreo de hipercubo latino optimizado (OLHS), aprendizaje automático (ML) y algoritmo genético de múltiples islas (MIGA). Se compararon los efectos de predicción de tres modelos de aprendizaje automático basados en optimización bayesiana, regresión de máquina de soporte vectorial (SVR), regresión de proceso gaussiano (GPR) y red neuronal completamente conectada (FNN) sobre el rendimiento de la bomba de flujo axial. Los resultados muestran que el modelo GPR tiene la mayor precisión de predicción para la cabeza del impulsor y la eficiencia ponderada. En comparación con el impulsor original, el impulsor optimizado está sesgado hacia adelante y barrido hacia atrás, y la eficiencia ponderada del impulsor aumenta en 1.31 puntos porcentuales. La eficiencia de la sección de la bomba a 0.8, 1.0 y 1.2 aumenta aproximadamente en 1.1, 1.4 y 1.6 puntos porcentuales, respectivamente, lo que cumple con los requisitos de optimización. Después de la optimización, el campo de flujo interno del impulsor es más estable; la producción de entropía en el impulsor se reduce; la distribución en el sentido del ancho de la presión total y el coeficiente de velocidad axial en la salida del impulsor son más uniformes; y la separación del flujo cerca del cubo en el borde de salida de la pala se restringe. Esta investigación puede proporcionar una referencia para la operación eficiente de estaciones de bombeo y el diseño óptimo de bombas de flujo axial en múltiples condiciones de trabajo.