飞机对于突发故障的检测及估计能力是飞机设计时必须考虑的因素,而信息融合技术作为一种时间序列处理技术可以结合先验知识等多种信息来提升故障检测与估计的性能。本文以飞机为研究对象,针对可能出现的操纵面故障、传感器故障以及俯仰角故障情况下的故障估计问题,结合信息融合技术,设计了飞机多操纵面故障检测、飞机传感器复合故障检测以及飞机俯仰角故障估计方法。论文的主要内容如下:针对飞机多个操纵面同时发生故障的情况,设计了一种基于自适应滤波器的模型信息融合故障检测方法。首先进行舵面故障建模并利用滤波器集来表征可能出现的舵面故障形式;接着通过改进滤波器集中各个滤波器的滤波协方差计算方式来解决滤波过程中过程噪声难以精确获得的问题;最后针对多操纵面故障难以量化的难点,利用滤波残差设计模型评价函数以及模型概率值两种评价指标作为最终滤波器集中各滤波器的评价参数,以此来匹配当前故障的形式,实现对不同形式舵面故障地准确识别。针对飞机发生参数不确定和传感器偏移复合故障的情况,设计了一种基于二级分类器的智能融合复合故障检测方法。首先进行故障建模同时构建系统参数变化模型,并利用飞机十二状态量方程结合软件仿真得到飞行数据;接着针对存在的系统参数不确定,提出利用交叉数据集方法来处理飞行数据;针对实验数据特征不明显以及特征缺失问题,应用数据预处理以及缺失值处理方法;最后针对提取的故障特征存在的耦合性以及模糊性特点,设计了二级支持向量机分类方法来进行数据的分类,并引入方法评价参数进行分类结果的评价,仿真结果显示此二级分类器的故障检测结果拥有较高的准确率。针对飞机发生俯仰角传感器故障情况下的俯仰角故障估计问题,设计了一种基于自适应学习率神经网络的智能融合故障估计方法。对于实验中正常俯仰角数据缺失的问题,设计了神经网络方法进行数值预测,为了保证数值估计有较高的精度,通过网格搜索的方式确定神经网络的隐藏层结构,并以此神经网络来估计俯仰角数据;同时在仿真中针对神经网络训练时间过长的问题,设置学习率自适应调整办法,有效地提升了模型训练速度;最后结合俯仰角估计数据与飞行数据中的俯仰角数据得到俯仰角故障的估计数值。将上述故障检测和故障估计方法进行了基于python开发语言、sklearn开发框架以及tensorflow开发框架的仿真实验。仿真结果表明,本文所设计的故障检测方法在保证良好准确率的情况下,能够实现故障检测;所设计的故障估计方法能够准确地实现故障数值估计。