针对RBCC组合动力空天飞行器上升段轨迹优化中动力模态复杂、过程约束耦合强等问题，开展了基于深度强化学习的轨迹优化方法研究。构建了覆盖引射、亚燃、超燃与火箭4模态的纵向动力学模型与气动模型，在马尔科夫决策模型下，引入以攻角速率为核心的连续动作空间，并设计了兼顾可行性约束、飞行约束与终端任务需求的奖励结构。提出了一种基于时序动作库的引导通道补偿方法，通过在策略更新过程中对价值估计进行引导，提升深度确定性策略梯度算法在多模态推进条件下的收敛效率与训练稳定性。仿真分析表明，引导机制可在一定程度上改善训练收敛特性、降低过程量峰值并平滑控制输入。研究结果反映了引导通道对强化学习轨迹优化方法的可行性与潜在价值，为复杂组合动力空天飞行器的智能轨迹规划提供了一种可扩展的技术途径。
针对多颗地球静止轨道航天器在轨加注任务中的空间燃料站部署问题综合考虑了服务航天器容量约束以及目标航天器的不同燃料需求，建立了以最小化燃料消耗为目标，优化燃料站数量与位置的多目标混合整数线性规划模型。采用聚类算法结合贪心算法的混合优化策略求解该问题。通过包含30颗目标航天器的任务场景进行数值仿真，确定了所需燃料站的最小数量和位置，燃料消耗的计算结果验证了所提算法的有效性。结果表明，对空间燃料站的数量及位置进行协同优化能显著降低在轨加注过程的燃料消耗。
针对变体空天飞行器高维气动特性预测建模过程对样本数据需求指数增长的问题，本文提出了一种基于高斯过程回归的迁移代理方法。以降维基准构型的数据构建规律性回归模型，提出了基于分布特征的多模型融合算法，结合有限个变构型的气动数据，实现对全局气动特性的准确预测。基于高斯过程对多可信度数据进行了中间层代理建模，识别了潜在噪声的异方差特性并获取了后验分布。基于K近邻方法将多模型融合转化为预测方差优化问题，基于空间聚类求解了最优权重；通过样本密度函数识别空间分布特征自适应调节权重，改善了局部建模行为。通过数值算例对比分析了本文的数据迁移方法与纯数据驱动方法对样本规模的依赖性差异。结果表明，数据迁移效果取决于变体程度的大小，即变体前后数据非线性的强弱，对于线性度较高的力学特性，基于数据迁移的代理建模可以显著降低变构型模型的样本需求；而对于变形前后具有较强非线性的力矩特性，本文所提方法存在一定局限性。
针对机载计算资源有限且初始飞行状态高度摄动情况下，实现具有强非线性时序特征的高超速再入飞行实时轨迹规划的难题，利用长短期记忆神经网络（Long Short-Term Memory,LSTM）在处理动态系统中优异的时序建模能力和轻量化计算的双重优势，结合传统最优控制技术，提出了一种面向时间序列状态实时预测再入制导控制指令的研究方法。基于高斯伪谱法建立了再入最大横向距离高保真度轨迹样本数据库，通过引入交叉验证策略及学习率监督机制来优化模型训练进程，提高了其对于时序飞行状态和控制动作间潜在动态映射关系的学习效果，系统分析了序列成员数及样本均匀性对模型性能的影响机理，构建了适用于全再入周期在线优化的滑动时间窗口应用架构。蒙特卡洛仿真结果表明在拓展的初始飞行状态窗口及未知初始条件下，基于LSTM的制导控制器具有出色的制导精度和鲁棒性。同时在搭载Intel Core i7-12700K处理器的计算平台上，模型输出单个制导控制指令的时间约为0.5 ms，具备机载应用潜力。
针对无动力先进飞行器返回时跨声速区飞行面临较大风险问题，采用基于时变粒子群算法对跨声速区轨迹进行了优化设计。根据飞行器轨迹设计了模型和典型高度-动压剖面，详细分析了影响跨声速区飞行时间和末端能量管理段（Terminal Area Energy Management,TAEM）待飞距的关键因素，结合跨声速区剖面特点完成了针对能量保持段和能量趋近段的参数化设计策略，并通过时变粒子群算法完成了对轨迹参数的仿真验证。仿真结果表明，与原标称轨迹相比，优化后的轨迹在跨声速区可减少10.4%的飞行时间，同时确保末端能量管理段的待飞距基本不变，验证了所提出的轨迹设计策略和算法在既定飞行约束条件下的有效性，为先进飞行器的跨声速区轨迹优化提供了实用的解决方案。
针对高超声速拦截器在临近空间机动受限导致末制导初始条件难以量化的问题，提出了一种基于可达区域与相对运动解析的双重边界条件优化方法。基于拦截器三自由度运动模型及过载约束，采用平衡滑翔条件与常值滚转角法计算最大纵/横程，实现机动能力快速评估。针对末制导初始状态往往不满足零控拦截条件的问题，基于比例导引律与零控拦截几何，推导了速度前置角捕获区域的解析解，明确方位-速度方向约束边界；结合可达区域相切原理，迭代求解临界相对距离阈值，构建了角度-距离双重边界条件，从而精确界定满足末制导要求的初始条件可行域。通过在临界边界条件下的典型拦截场景仿真验证，结果表明在末制导初始边界内的工况可实现有效拦截，验证了方法的可行性。
空天飞行器凭借其低成本、可重复使用的独特优势，已成为各国战略布局的重点方向。其动力学包含复杂多物理场效应，加之宽域飞行条件，使其在建模与控制设计中面临严峻挑战。物理信息神经网络（Physics-Informed Neural Networks,PINN）作为一种融合数据驱动与物理约束的新兴方法，为应对上述挑战提供了新途径。系统梳理了PINN方法及其在空天飞行器研究中的应用前景。阐述了PINN的基本原理与框架，分析了其主流改进算法与研究进展，综述并展望了该方法在空天飞行器多物理场建模、气动辨识、控制系统设计及故障诊断等关键环节的应用潜力与实现路径，以期为空天飞行器的智能技术发展提供有价值的理论与工程参考。
针对发动机进气约束下的高超声速飞行器飞推耦合控制问题，提出一种面向性能需求的一体化智能控制方法。建立了表征飞推耦合效应的拓展维度动力学模型，将燃油当量比作为关键状态变量用于控制设计。设计了预设性能约束进行控制参数优化，将进气约束转化为攻角跟踪误差的性能边界，确保满足进气条件限制。构建了含高权重惩罚项的多目标代价函数，实现一体化控制律参数的智能自适应配置。仿真结果说明了所提方法能够显著降低攻角的超调量和调节时间，有效兼顾高动态响应性能与发动机进气约束，在模型不确定性下展现出良好的鲁棒性。
针对高动态博弈环境下飞行器规避多拦截者的智能决策问题，本文提出了一种基于深度强化学习的在线决策优化方法。首先，构建基于飞行器三自由度数学模型的动态对抗规避场景，考虑飞行器动压、过载等多约束条件，建立兼顾拦截规避与确保靠近目标点的双重目标函数，并设计最大熵强化学习算法实现离线决策策略训练；其次，考虑离线训练与在线飞行场景之间存在差异（如拦截策略或位置等发生变化），进一步设计元学习在线更新算法，基于传感器获得的小样本数据，提取新任务中的关键信息并实现参数快速在线调整，以保证在线环境下的成功规避；最后，基于Unity3D搭建虚拟仿真验证平台，对所提出的飞行器智能规避方法完成了仿真验证及三维视景演示，实验结果验证了该方法的有效性。
针对非合作航天器位姿估计模型在星载硬件部署中面临的域差距、参数规模大、计算成本高的问题，提出了一种基于知识蒸馏的轻量化改进方法。通过添加ECA通道注意力机制、优化损失函数、设计特征损失和任务损失的双重蒸馏，从大规模模型SPNv2中进行多维度知识迁移。研究面向跨域非合作航天器位姿估计的轻量化需求，基于SPEED+公开数据集开展对比实验。结果表明，本方法在复杂背景下的目标检测精度保持原模型81.6%的同时，参数量减少了35%，计算量降低了40.1%，更符合航天器嵌入式系统的实时性部署要求，为星载实时位姿估计提供了可行方案。