高超声速飞行器的特点是速度快、机动能力强,在未来政治、军事和经济发展中具有重要的战略意义。飞行器再入返回段包括再入段和能量管理段,控制高超声速飞行器从100km高度下降到3km,整个飞行过程气动环境复杂,机动范围大,飞行状态变化剧烈,控制难度大,挑战性高。本文将针对高超声速飞行器的再入过程,引入神经网络分别对再入段和能量管理段制导策略改进。首先,基于高超声速飞行器的运动特性,建立三自由度运动学方程,分别分析了飞行器气动特性和飞行环境特性,为后文的轨迹规划与制导打下基础。针对再入段初始状态大偏差的情况,本文设计了预测校正制导算法,在线预测和校正轨迹来适应不同的偏差情况,分别设计纵向制导律和侧向制导律。纵向制导律分为“预测”和“校正”两部分,预测环节根据飞行器当前状态,预测末端能量对应的航程,校正环节根据预测落点偏差在线修正倾侧角幅值,保证终端精度。侧向制导律设计航向角误差走廊,为倾侧角符号翻转提供依据。最后通过对倾侧角控制指令补偿,抑制了再入轨迹的震荡问题。通过对不同偏差情况的仿真,验证了该算法制导精度高、鲁棒性强。针对再入段数值法预测校正制导存在的实时性差的问题,利用神经网络的非线性映射能力快速生成制导指令,拟设计基于神经网络制导模块的预测校正算法,提高控制指令的求解效率。前文设计的预测校正算法能够应对各种大偏差的情况,通过设置多种偏差,生成多条轨迹建立数据集。为了应对预测环节和校正环节的冗余积分带来的计算负担,在设计制导律时,利用卷积神经网络CNN局部感知的特性提取输入数据的抽象特征,然后利用长短期记忆网络LSTM对时间序列问题建模的优势对每一条轨迹数据训练,建立由CNN和LSTM双网络结构的深度学习制导律。训练完成的模型能够根据飞行器当前状态直接预测飞行器制导指令。仿真结果表明,本文设计的神经网络框架有很好的收敛效果,基于深度学习模块的制导策略既保留了预测校正制导算法的高精度,同时提高了制导的实时性。针对能量管理段对飞行过程能量管理的需求以及算法实时性的要求,本文设计轨迹规划与制导算法生成可行轨迹,引入深度神经网络DNN提高算法的计算效率。首先,将三维轨迹解耦分别设计纵向制导律和侧向制导律,分别控制攻角和倾侧角跟踪纵向动压剖面和侧向地面轨迹,根据终端误差对轨迹迭代修正生成三维轨迹。纵向动压-高度剖面决定飞行过程的唯一能量剖面,侧向地面几何轨迹保证终端约束满足要求。此外,飞行器出现气动受力面破损故障或初始偏差较大时,在线生成轨迹的迭代修正次数增加,算法实时性下降。本文利用神经网络非线性映射能力,拟设计神经网络DNN根据破损故障和初始偏差直接预测轨迹设计初始参数,减少三维轨迹在线迭代修正次数,提高算法的实时性。仿真结果表明,基于DNN的制导算法能够在多种偏差和气动受力面破损情况下,对飞行过程能量管理,实时性较好地完成制导任务。