Con el rápido desarrollo de métodos basados en datos en los últimos años, las redes neuronales profundas han atraído una atención significativa para las predicciones aerodinámicas y las optimizaciones de diseño. Entre estos métodos, la red neuronal profunda de multi-fidelidad (MFDNN), que puede combinar datos de alta fidelidad (HF) y baja fidelidad (LF), ha ganado popularidad. Este artículo investiga sistemáticamente el rendimiento de los modelos MFDNN en la predicción de coeficientes aerodinámicos y en la realización de optimizaciones de forma aerodinámica (ASOs), especialmente el impacto de utilizar diversas proporciones de datos HF/LF para entrenar modelos. Los resultados de la precisión de predicción de los coeficientes aerodinámicos de los perfiles alares muestran que cuanto menos datos HF se utilicen, más ventajas pueden lograr los modelos MFDNN en comparación con los modelos de una sola fidelidad. Los modelos MFDNN bien entrenados se emplean luego en un problema de ASO de un perfil alar en el régimen subsónico, y se encuentra que una mayor proporción de datos HF/LF no resulta necesariamente en un mejor rendimiento en la ASO. A medida que la insuficiencia en la precisión de predicción de las formas óptimas aparece al emplear los modelos MFDNN no actualizados, se desarrolla una estrategia de actualización integrando estrechamente los modelos MFDNN con el algoritmo de optimización por enjambre de partículas. Para reducir aún más los costos de tiempo para actualizar modelos, se introduce una estrategia de actualización de doble umbral, que puede reducir a la mitad el número de evaluaciones de datos HF.