高超声速远程滑翔飞行器具有飞行速度快、飞行空域广、飞行环境复杂的特点。一方面,为对抗日臻完善的导弹防御系统,高超声速远程滑翔飞行器需要具有对威胁区和拦截网进行规避、对拦截弹和探测网有效突防以及为满足制导或侦察需要经由特定区域等能力,同时,面对瞬息万变的战场态势,飞行器任务规划及弹道规划的时空复杂度急剧增加,对弹道规划与制导提出更高要求。本文针对滑翔飞行器再入中段和末段飞行过程中的气动参数辨识、滑翔航程在线预测、基于绕飞航程预测的规避决策、拦截弹制导律辨识及中段突防制导、末段多约束弹道规划与制导等问题,结合智能方法与技术,对滑翔飞行器滑翔能力智能预示与多约束制导技术开展了研究,主要研究内容包括:针对滑翔飞行器的气动模型辨识问题,研究对实测飞行试验数据的离线辨识、利用实测飞行数据进行修正的辨识方法。在建立气动辨识基本模型的基础上,结合气动模型的高维非线性强耦合特点,开展基于神经网络的智能气动参数辨识方法研究,分析神经网络的构建和快速训练方法。利用实测飞行数据进行修正,研究对气动插值表非试验点的推广修正方法,对于气动插值表中其他节点的气动参数,根据与各试验点变量的关系进行线性插值修正。对节点间隔进行加密插值扩充,作为神经网络的训练样本,经过多隐层BP神经网络训练得到修正后的气动参数神经网络。再入滑翔飞行器速度快、机动能力强,在实际作战过程中机动复杂剧烈,飞行状态高动态变化。在进行飞行器机动任务或指令规划时,需要对飞行器状态能否到达给定终端状态进行分析。通过将离线优化的高精度与在线预测的快速性相结合,本文选取当前飞行状态、末端状态、气动参数偏差等关键状态变量作为样本输入,采用hp-自适应Gauss伪谱法计算飞行器剩余最大滑翔航程获得样本。针对滑翔航程预测问题的高维多变量输入特点,采用深度置信网络进行滑翔航程预测,通过无监督贪婪预训练提取高维输入间特征,为全局有监督训练提供更好网络初值,以提高收敛速率并防止过拟合,仿真结果表明该方法具有较高的效率和高维非线性拟合精度。滑翔飞行器中段滑翔飞行中面临较为复杂的战场环境,不确定威胁区和突发威胁等因素提高了中段规避飞行的难度。传统针对威胁区的在线规避方法会造成过多的能量损失,甚至无法完成打击任务。为形成满足任务约束的多威胁区规避弹道,离线根据威胁判定及弹道约束计算所需绕飞航程,训练绕飞航程预测网络以实现绕飞航程的快速在线估计。由于样本输入量较多,采用深度置信网络通过预训练提高收敛速度。结合滑翔航程预示网络的最大航程能力,判断规避路径的任务可行性。在滑翔航程不足以绕飞全部威胁区的情况下,选择突防低威胁等级地区进行规避决策,形成的弹道满足任务要求。滑翔飞行器在滑翔能力不足以绕飞全部威胁区时,需要对某威胁区发射的拦截弹进行突防。选取不同拦截弹制导律系数获得追逃过程实时量测数据样本,结合制导律辨识问题的特点,采用具有较强时间序列分析能力的循环神经网络分析量测数据的时序关系,并采用卷积神经网络提取高维量测量输入的深层特征,构建由量测数据到拦截弹制导律及系数映射的制导律辨识网络,有效提升对拦截弹制导系数辨识的收敛速度和求解效率。进一步基于辨识得到的拦截弹制导律参数,通过最优控制理论推导获得飞行器单边最优突防指令,有效提升了突防效能。滑翔飞行器末段飞行时空复杂度高、不确定性强、约束多,给弹道规划与制导算法带来了较大的建模和求解难度。为增大末段机动范围并提高弹道规划效率,本文提出了一种利用深度置信网络预测末段机动能力、设计经由点状态实现末段大包络多约束智能弹道规划的方法。结合深度置信网络中提取高维输入变量特征的无监督预训练和全局微调的有监督训练,得到具有更快收敛速度的末段机动能力预测网络,用于给出经由点速度的上下限,快速判定经由点状态的可行性;通过经由点状态智能设计,扩大弹道机动包络;通过设计三角函数型弹目视线角及机动弹道最优末制导律实现摆动机动形式的末段打击弹道,并调节机动频率以满足速度约束,提升末段突防效能。论文探索了人工智能方法在滑翔飞行器弹道规划与制导上的应用,研究成果对滑翔飞行器的总体设计与先进制导方案有一定的借鉴意义。