直升机处于不同飞行状态时,对其动部件和有寿件的损伤程度不同。因此准确识别直升机的飞行状态,对直升机关键部件的故障诊断和寿命预测至关重要。传统的飞行识别方法不仅需要对飞行状态进行预分类,而且识别准确率低。深度学习广泛用于解决各类复杂分类问题,给飞行状态识别领域提供了新的研究思路和研究方向。本文在一维卷积神经网络的基础上,提出了基于多尺度与自动阈值设置网络（Multi-scales and Auto-threshold Setting Network,MSAT-Net）的直升机飞行状态识别方法,取得了理想的识别效果。主要工作内容如下:（1）提出了直升机飞行参数预处理方法。首先,描述了用于飞行状态识别的飞行参数和待识别飞行状态;其次,介绍了飞行参数去噪方法,该方法使用样本分位数对飞行参数进行初步去噪,并采用限幅和均值滤波对飞行参数进行进一步去噪;最后,使用最小二乘法对飞行参数进行直线拟合,生成新的飞行参数,扩展飞行参数类型。（2）提出了基于MSAT-Net的直升机飞行状态识别方法。首先,构建用于网络训练、验证和测试的数据集;其次,针对直升机飞行状态识别率低和识别过程复杂的问题,提出一种基于MSAT-Net的识别模型。该模型包含多尺度特征提取模块,能够对信号进行不同粒度的采样,捕获不同尺度的特征,从而使模型提取的特征更具多样性。为进一步提高网络识别效果,设计了自动阈值设置模块,以调整目标特征的权重,从而增强更有价值的特征。最后,经实验表明,基于MSAT-Net的网络模型取得了99.47%的平均识别精度,其中,超过三分之一的飞行状态识别率达到了100%。与飞行状态识别领域的其他经典方法进行对比,本文方法也明显更优。（3）设计了直升机飞行状态识别系统。首先,对直升机飞行状态识别系统进行了需求分析;其次,对识别系统进行总体设计,包括系统配置、软件架构设计和数据存储设计;再次,设计并实现了实验管理、数据预处理、状态识别、识别历史这四个功能模块;最后,在四个功能模块调试的基础上,实现了系统测试,验证了识别系统的有效性、可行性和稳定性。