受甲板移动、跑道狭小、海况复杂等因素的影响,舰载机着舰一直被认为是一项高风险任务,因此被称为“刀尖上的舞蹈”,难度很大,要掌握这种飞行技能需要长期的训练。在现有的飞行员模拟训练体系中,存在模拟训练装备功能单一且智能性不足、优秀教员不足、教员经验传承困难和培训效率不高等问题。提高舰载航空领域飞行员培训的效率和成才率,对于降低培训成本具有重要意义。近年来,众多学者将深度强化学习应用在自动驾驶,其中,深度确定性策略梯度法（Deep Deterministic Policy Gradient,DDPG）拥有收敛快、在连续动作表现优异等优点,适用自动驾驶系统的决策研究。利用DDPG算法训练并生成具有控制舰载机着舰能力的智能体,并将其利用到舰载机飞行员培训中,是解决上述问题的一种可行途径。本文主要成果包括:1)基于DDPG算法的舰载机自动着舰算法。在分析了航母移动和风力对舰载机着舰造成的影响基础上,建立了能适应航母移动和风力的马尔科夫决策过程（Markov Decision Process,MDP）模型,基于X-Plane飞行仿真环境测试该算法在多种环境条件下可实现控制通用飞机模型自动着舰。2)辅助操控培训系统。系统可针对多种飞行训练科目实现电子教官智能体的生成、存储与管理,并能够利用相关智能体开展飞行辅助操控培训,同时提供实时飞行操控指导意见。在每次培训完成时可对培训过程的数据进行比对和评估,并对评估结果进行可视化展示,方便学员复盘和回顾训练过程,熟记并掌握操作的动作要领。最后,本文针对基于智能体控制算法的飞行员智能辅助操控培训系统的有效性开展了实验,实验表明通过智能体开展的操控培训能有效提高飞行员培训的效率。