临近空间高超声速飞行器的飞速发展使得气动热研究需求愈加迫切,基于机器学习方法利用已有数据来快速计算气动热,是当下气动热研究中一个可资借鉴的途径。本文研究气动热数据库及其管理系统,并研究借助神经网络等机器学习方法从数据关联、数据融合等方面开展气动热研究,并将该数据分析功能集成入气动热数据库系统,从而建立基于机器学习技术基础的气动热研究思路和方法。首先本文研究了应用神经网络研究壁面热流的数据关联技术,即依据边界层外无粘数值求解与边界层内工程方法结合的思想,发展了使用神经网络来关联壁面热流与欧拉计算结果的思路和方法。具体路径为从无量纲方程出发提炼关联壁面热流所需要的关联参数;然后设计合理的神经网络模型来关联热流与关联参数之间的关系;接着根据欧拉结果以神经网络模型来关联计算壁面热流,其中神经网络模型采用Python语言及Keras库进行搭建。最后,本文采用钝锥、HTV-2模型等对该气动热关联方法的验证计算,并且针对于复杂外形本文提出了分区机器学习的关联方法,验证了本文提出的基于神经网络的气动热关联方法的适用性。其次本文研究了基于改进VCM(Variable Complexity Modeling)方法与神经网络方法结合的数据融合手段,利用不同气动热数据源之间的精度和数量的差异性,融合不同的数据源以研究获取精度更高更可靠的气动热数据途径。在此基础上本文应用不同攻角下钝双锥的子午线区域/整个表面区域的实验数据和CFD数据作为数据源进行了融合验证,以确保本文方法的有效性和适用性。最后本文搭建了气动热数据库管理系统来管理和储存大量的气动热数据,并为数据关联研究和数据融合研究提供支撑,并在系统上集成了数据关联和数据融合的数据分析功能。本文的数据库系统主要采用C#语言基于.NET平台进行开发,采用PostgreSQL作为底层的数据库支持,采用ASP.NET作为前端的实现方式,整个架构采用MVC模式来进行开发,最终得到一个集成各种功能的气动数据管理平台。