Se aplicó un método de aprendizaje automático para resolver un problema de diseño inverso de perfiles aerodinámicos. Se propone un modelo VAE-WGAN-gp condicional, que acopla el autoencoder variacional condicional (VAE) y la red generativa adversarial de Wasserstein con penalización de gradiente (WGAN-gp), para un método de generación de perfiles aerodinámicos, y luego se compara con los modelos WGAN-gp y VAE. El modelo VAEGAN acopla los modelos VAE y GAN, lo que permite la extracción de características en los modelos GAN. En tareas de generación de perfiles aerodinámicos, para generar formas de perfiles aerodinámicos que cumplan con los requisitos del coeficiente de sustentación, se sabe que el VAE supera al WGAN-gp en cuanto a la precisión de la reproducción del coeficiente de sustentación, mientras que el GAN supera al VAE en cuanto a la suavidad y variaciones de las formas generadas. En este estudio, el VAE-WGAN-gp demostró un buen rendimiento en los tres aspectos. También se estudió la distribución latente para comparar la capacidad de extracción de características del método propuesto.