随着智能设备技术的迅猛发展,无人机的软硬件和功能种类日益多样,其飞行控制程序的代码量和系统复杂度随之增加。为满足任务和硬件兼容需要,飞控程序使用控制参数机制来调整无人机的飞行性能,并提供远程控制接口供用户在机体飞行过程中更改设置。然而,现有无人机飞控参数机制存在输入验证漏洞,致使攻击者可以恶意篡改控制参数,导致无人机出现飞行异常甚至坠毁等问题。模糊测试方法可以自动生成测试样例,实现对输入验证漏洞的检测。但现有模糊测试方法受限于平台,无法直接适用于无人机飞控参数验证。同时还存在对仿真依赖度高、计算开销大、测试时间长等缺陷,不适合作为无人机飞控参数验证机制。为解决上述问题,本文围绕模糊测试方法和机器学习技术展开研究,设计适用于无人机参数的控制参数验证方案,对无人机飞控参数的正确性、安全性进行分析与验证,保障无人机飞行安全。本文的主要贡献如下:无人机飞控属于专用软件系统,而现有模糊测试方法主要面向通用软件设计,无法直接移植到无人机飞控软件测试场景。本文结合软件在环仿真技术,设计了一种可用于无人机飞控参数的模糊测试方法,用于发现控制参数机制中存在的输入验证漏洞。本文围绕遗传算法和质量多样性算法开展实验分析。针对遗传算法对参数空间探索能力较弱的问题,本文引入控制参数作为多样性特征,构建基于质量多样性算法的模糊测试方法,实现了对无人机飞控输入验证漏洞的探测。针对无人机飞控缺少输入验证机制,且已有模糊测试方法计算开销大、无法部署至无人机平台上的问题,本文设计了一种基于混合密度网络的参数验证方案。该方案使用混合密度网络模型对无人机在特定参数设置下的控制误差进行建模,并根据预测误差实现对控制参数输入的验证。该方案实现了高效准确的无人机飞控参数验证,同时对飞行过程中产生的数据噪声有更好的适应性。最后,本文结合提出的模糊测试方法和参数验证方案,构建了使用机器学习加速的模糊测试方案。该方案使用输入验证模型加速测试样例评估过程,并利用测试获取的样例完成对输入验证模型的持续改进。本文通过实验探究了机器学习模型对模糊测试效率的影响。实验证明,该组合方案不仅实现了快速准确的模糊测试,在准确率、覆盖率和测试时间上有优异表现,还能提供模型作为控制参数的验证工具。