随着航空工业的不断发展,设备和系统的复杂度与日俱增,在飞行过程中一旦发生故障不仅影响产品的使用,甚至可能会发生严重的安全事故。设备和系统的复杂性变高,使得故障检测难度越来越大,单纯依靠人工进行排故的方式不仅效率低,还会因为专家的经验知识有限导致错误的判断。随着人工智能技术的兴起,利用人工智能进行故障检测技术的研究也不断推进,目前常用的故障检测方法是利用机器学习对历史故障数据进行分析研究,但由于这种方式存在一个前提就是对于要检测的故障类别有充分的数据进行训练。但实际生产环境中,一些新发生的故障数据量稀少且难以获取,因此本文针对这一问题进行分析研究。本文基于实际生产环境中飞控故障数据量具有小样本性这一特点,重点研究了小样本学习算法中的原型网络算法,设计出针对飞控故障数据故障诊断的原型网络算法并进行改进,设计实现飞控系统故障诊断软件以辅助维护人员进行日常排故检修。本文主要研究内容和工作如下:首先对飞控故障数据的特性进行研究分析,在此基础上提出基于RBF神经网络的原型网络算法对飞控故障数据进行诊断,将故障诊断问题转化为小样本分类问题,并设计实验将本文所用原型网络与原始原型网络和主流小样本学习算法进行多方面比较,验证本文所提算法的优越性。其次针对原型网络中原型获取方式不足以表达所对应类别这一问题,提出基于特征加权的原型网络算法,获取对嵌入向量进行特征加权后的原型,经改进后获取的原型更具类代表性,不容易受到离群点的影响,设计实验进行对比验证。最后根据实际需求,设计并实现飞控故障诊断系统,利用本文所提算法训练模型对实际应用问题进行研究,包括能对新生故障类别数据进行诊断,批量故障诊断,误诊断反馈等功能。