随着世界军事革命的不断变革,未来战争中的制天权将在未来的高技术战争中发挥主要作用,而高超声速飞行器技术是争夺制天权的关键技术之一。作为高超声速飞行器设计的关键技术,高超声速飞行器的热防护问题对高超声速飞行器的研制至关重要。然而,目前高超声速飞行器的热防护仍然面临着诸多严峻挑战,其中一大挑战就是飞行器气动热环境的预测问题。近年来,深度学习的快速发展给各领域解决问题提供了新的思路。本文依托于深度学习的方法对气动热预测的传统方法加以改进,主要工作如下:(1)调研目前国内外在飞行器气动热环境预测方面的研究进展,总结目前气动热环境预测的主要研究方法,分析各种研究方法的优势与不足,为本文所提出的方法做技术铺垫。(2)基于深度学习的测热数据自动标注算法研究与实现。作为气动热环境预测方法的一种,地面风洞试验所得试验数据需要进行后处理,现有方法完全凭人工一条一条处理,非常耗费时间,且存在随机误差。针对此问题,本文首先设计了测热数据预处理方法,先对原始数据进行预处理。然后,在迁移学习的基础上选取卷积神经网络模型设计自动标注算法,提升了标注的效率和正确率。在测试过程中通过借鉴在线学习思想,完善了自动标注算法,最终进一步提升了标注效果。(3)基于深度学习的气动热环境智能计算方法研究。高超声速飞行器的热安全问题主要体现在飞行器结构的温度和应力是否超限。在结构热响应计算时就需要加载表面热环境信息。然而流体场和固体场的网格通常是不一致的,网格的不匹配问题成为力/热/结构多场耦合数值计算要解决的关键问题之一。为了解决不同网格之间数据传递的全局和局部守恒问题,本文采用深度神经网络预测模型,代替传统数值计算求解Navier-Stokes的过程,该模型能预测飞行器表面任意位置处的气动热,从而解决网格不匹配问题。在实验过程中,优化了智能计算算法,最终得到了较好的预测效果。实验证明,本文提出的两种算法框架在各自对应的气动热环境预测问题中都能取得较为理想的效果。