En este artículo, se acopla un modelo de aprendizaje profundo entrenado para generar distribuciones de presión bien planteadas a velocidades transónicas con el algoritmo de optimización global eficiente (EGO) para acelerar el proceso de diseño inverso de perfiles aerodinámicos transónicos. Primero, se entrena una red generativa adversarial de Wasserstein (WGAN) para generar distribuciones de presión bien planteadas a velocidades transónicas. Luego, se utiliza el algoritmo EGO para seleccionar una distribución de presión en WGAN resolviendo el problema de optimización asociado definido para igualar las características de presión prescritas, como el pico de succión y la posición de la onda de choque. Finalmente, se adopta una red neuronal convolucional profunda (DCNN) para el mapeo no lineal y obtener la forma correspondiente del perfil aerodinámico. Se realizaron varios casos con características de presión prescritas para verificar la viabilidad y eficiencia del método propuesto. Los casos de prueba indican que la forma del perfil aerodinámico con la distribución de presión deseada se puede encontrar en aproximadamente un minuto utilizando una computadora de escritorio con un CPU Intel i5-9300H.