随着卫星飞行任务的不断扩展以及控制精度要求的不断提高,卫星状态监测技术已经成为保证在轨卫星安全可靠运行的关键技术之一,其中卫星热场反演是卫星状态监测中的重要一环,通过对系统热场监测准确定位温度异常点,发现潜在不可靠因素,对于提高系统寿命和可靠性起着十分重要作用。通过有限测点数据反演整体热场是典型的热分析逆问题,无法通过有限元等数值仿真方法进行求解。常用工程手段主要基于插值等方法,但是精度十分有限,且不能自适应学习预测点和监测点间的物理相关性。本论文引入深度学习方法构建热场反演计算模型,从问题建模、求解方法以及方法性能优化三个方面对卫星热场反演方法开展了系统性的研究,形成了一套高精度、高效的热场反演方法。全文研究内容包括以下四个方面:首先,本文研究了卫星热场反演问题的建模。从实际工程应用出发,定义了热源系统热场反演任务,建立了该任务的数学模型。实现了热场数值仿真方法,并结合热场反演任务定义了评估热场重构性能的四项指标,为后续热场反演方法提供数据支持和评价标准。其次,本文研究了内嵌物理知识深度学习方法。结合热场反演任务,提出了基于内嵌物理知识神经网络的热场反演方法。通过热场物理信息与传感器测点信息编码到神经网络损失函数,将热场反演任务转化为最小化损失函数的优化问题,再利用梯度优化算法求解热场。该方法能够减少热场反演对测点数量的依赖,利用少量测点准确反演热场。通过算例分析验证了上述方法的有效性。然后,针对噪声测点影响热场反演方法重构性能问题,本文提出了基于测点位置优化的内嵌物理知识热场反演方法。通过观测方程和有限差分方法离散的热场控制方程,利用罚函数方法将带约束的热场反演任务转化为无约束优化问题。在噪声测点下,通过对该优化问题的误差分析,理论上证明了重构误差上界与测点位置条件数正相关。将条件数最小化作为评价准则对测点位置优化,由此提升噪声条件下反演算法的鲁棒性。实验结果验证了上述方法的有效性。最后,针对反演模型训练效率问题,本文提出了基于元学习初始化的内嵌物理知识神经网络热场反演加速方法。Reptile元学习算法仅能利用有标签数据在相似任务上的监督学习得到模型初始化参数。为克服这一局限,结合热场信息对Reptile元学习算法损失项进行改进,通过在有标签和无标签的相似任务上学习获取初始化参数后,在新任务上快速反演出热场。数值算例结果验证了热场反演加速方法的有效性。综上,论文以卫星热场反演任务研究为切入点,探索了基于内嵌物理知识深度学习的热场反演方法,进一步提出了考虑噪声测点下的热场反演改进方法以及针对模型训练效率的热场反演加速方法,能够突破传统插值方法在反演问题上的局限性,为后续工程实际应用提供借鉴和指导。