Esta investigación investiga la optimización del diseño de perfiles aerodinámicos para drones de ala fija, con el objetivo de mejorar la eficiencia aerodinámica y reducir la resistencia. La investigación emplea métodos de parametrización de superficies CST de Kulfan y Bézier combinados con análisis de sensibilidad global (GSA) y técnicas de aprendizaje automático para mejorar el rendimiento del perfil aerodinámico en diversas condiciones operativas. Se utiliza la optimización por enjambre de partículas (PSO) para optimizar el diseño del perfil aerodinámico, minimizando la resistencia en condiciones de crucero y ascenso, asegurando al mismo tiempo la sustentación durante el despegue. Las simulaciones de dinámica de fluidos computacional (CFD), utilizando principalmente XFOIL, validan el rendimiento aerodinámico de los perfiles optimizados. Este estudio también explora el enfoque de diseño generativo utilizando una red neuronal entrenada en 10 millones de simulaciones de perfiles aerodinámicos para predecir la geometría del perfil en función de los criterios de rendimiento deseados. Los resultados muestran importantes mejoras en la reducción de la resistencia, especialmente durante las fases de crucero y ascenso a baja velocidad, contribuyendo a una mayor resistencia y eficiencia de vuelo. Estos resultados pueden ser utilizados para vehículos aéreos no tripulados (UAV) pequeños en aplicaciones del mundo real para desarrollar UAVs de mejor rendimiento bajo restricciones específicas de misión.