航空发动机是一个具有高度非线性的多变量复杂系统,难以建立精确的数学模型,目前传统的基于模型的控制设计方法无法进一步提高航空发动机控制性能和运行范围,需要研究不依赖模型的航空发动机控制方法。深度强化学习是一种经典的无模型人工智能方法。因此本文基于NASA的T-MATS高精度航空发动机仿真平台提出了一套深度确定性策略梯度（Deep Deterministic Policy Gradient,DDPG）控制方法,改善了航空发动机的控制性能。本文的主要研究内容和创新成果如下:第一,提出了单变量DDPG深度强化学习控制系统的设计方法。首先,搭建以单输入线性发动机状态空间模型为基础的训练环境;其次,以DDPG为核心设计航空发动机单输入稳态控制器,该控制器主要由策略网络和评价网络构成,策略网络根据发动机的状态给出控制信号,评价网络则对策略网络输出的优劣进行评价,同时结合发动机控制目标设计了算法的奖励函数;然后,在线性模型的基础上引入非线性项,拓宽模型工作范围,搭建航空发动机非线性模型环境,同时针对该非线性环境设计基于DDPG深度强化学习的单输入智能控制器;最后,通过与PI控制器在T-MATS部件级模型上的仿真实验对比验证了该方法的先进性和可行性。第二,提出了多变量DDPG深度强化学习控制系统的设计方法。航空发动机在实际应用中,是一个具有强非线性的多变量复杂系统,仅靠单变量进行控制远远不能达到满意的控制效果,因此需要往多变量控制方向进行探索。首先,分别搭建航空发动机多输入多输出线性/非线性状态空间模型作为训练环境;然后,建立基于DDPG深度强化学习的多输入智能控制器。为了提高参数训练效率,采用Simulink的TCP通讯模块建立“JT9D”发动机仿真平台和基于Python的深度强化学习控制器的数据交互,形成数据闭环,最后通过与PI控制器、基于DDPG深度强化学习的单输入智能控制器进行对比,验证了该控制器在控制JT9D发动机时不管是响应速度,超调量等方面都具有更好的控制效果,同时在面对环境的变化时具有更好的自适应能力和抗扰动能力,在参数摄动方面也具有更好的调节能力。本文利用深度强化学习自适应优化控制的优点提出了基于DDPG的航空发动机智能控制的方法,解决了航空发动机传统控制中依赖高精度模型和控制性能优化难度大的问题,达到了满意的效果,为航空发动机智能控制系统的设计与开发提供了新的思路。