作为飞行器试验及设计应用领域的核心和基础技术,气动参数辨识精确度的提高有着极为重要的研究意义。本论文在飞行器六自由度建模与非线性气动建模的基础上,研究解决了飞行器气动参数辨识中参数可辨识性、试验数据预处理、辨识算法改进、最优输入设计等关键技术,取得了如下成果:1、建立并分析了飞行器数学模型(1)建立了飞行器六自由度数学模型,以及非线性气动模型;(2)明确了飞行器气动参数辨识系统中的状态方程组、观测方程组,并分析了气动参数的可辨识性;(3)对极大似然估计法进行了深入研究,应用Newton-Raphson迭代算法作为辨识算法对飞行器气动参数进行了辨识,并指出了由于算法对迭代初值的敏感性、迭代进行中Jacobian矩阵求解困难等因素,使用Newton-Raphson迭代算法得到的辨识结果不尽人意,甚至无法收敛。2、研究了传统优化算法在飞行器气动参数辨识中的应用(1)将气动参数辨识问题进行了转换,使其成为基于最小二乘准则的小残差非线性最小二乘优化问题,并将其归纳为无约束优化问题;(2)在无约束优化问题的基础上,引入了Newton法、基础Gauss-Newton法,并指出了其在求解飞行器气动参数辨识问题中所存在的局限性;(3)针对基础Gauss-Newton法迭代方向可能不下降的问题,引入了改进算法——变步长Gauss-Newton法与LevenbergMarqurdt法;(4)根据单一算法的特点,提出了将变步长Gauss-Newton法和Levenberg-Marqurdt法结合在一起的混合迭代算法,并在其迭代过程中提出了Jacobian矩阵的简化更新策略,缓解了迭代过程中Jacobian矩阵求解困难的问题。3、研究并改进了粒子群算法(1)研究了粒子群算法(Particle Swarm Optimization,PSO),指出了标准PSO算法在解决高维非线性问题时很容易陷入局部最优;对惯性权重和学习因子进行了分析,并引入了相应的改进,为后续改进算法的比较提供了基础;(2)研究了社会情感模型,分析其中的智能行为,提出了一种改进的粒子群算法——社会情感粒子群算法(Social Emotional Particle Swarm Optimization,SEPSO),通过改进加强了粒子群算法的种群多样性,从而为其在飞行器气动参数辨识中的应用提供了可能。4、研究了最优输入设计方法(1)研究了最优设计准则,由于条件数在矩阵运算中是十分重要的评判准则,因此,基于D-最优准则与矩阵条件数,提出了一种新的最优设计准则——Dc-最优准则;(2)研究了多正弦正交输入方法,为最优输入设计提供方法;(3)针对飞行器线性模型单一运动方向,设计了基于Dc-最优准则与多正弦正交输入方法的最优输入激励,通过仿真,该激励所得到的参数辨识精度有所提高。5、研究了基于最优输入设计及粒子群算法的飞行器气动参数辨识(1)针对飞行器六自由度非线性模型及非线性气动模型,设计了最优输入激励;(2)研究了测量数据预处理技术,提出了自适应抗差Kalman法对噪声与偏差进行处理,结果表明自适应抗差Kalman法能够更加有效的处理噪声与偏差,具有更好的鲁棒性;(3)针对非线性飞行器气动模型,采用所设计的最优输入激励作为系统输入,应用SEPSO算法作为参数辨识方法,对飞行器气动参数进行辨识;辨识结果与混合迭代算法、标准PSO算法的结果进行了对比分析,验证了本文所提出参数辨识方法的有效性和优越性。本文所提出的基于最优输入设计的参数辨识方法可以有效提高气动参数辨识精度,对相关领域的发展研究有积极的借鉴价值,并能够为其它复杂非线性系统的参数辨识提供参考。