舵机作为伺服驱动器,被广泛应用于航天、船舶等领域,在导弹姿态变换、航向控制等方面起着重要的作用。为了确保性能的稳定,针对舵机异常状态的准确、自动检测技术的研究具有现实意义。当前,舵机测试设备的自动化以及参数测试的简便性、可靠性等特点都已具备,但人工进行海量数据分析和决策,不但耗时耗力且准确度难以保证。论文引入深度学习技术来构建舵机异常检测模型,实现舵机性能参数数据的自动特征提取与异常识别,推动舵机检测技术向着自动化、智能化的方向发展。首先,论文基于深度神经网络构建了GWO-DNN-LRC模型。具体来讲,为提高模型的分类性能,将深度神经网络的强大特征提取能力与逻辑回归分类器的分类性能相结合,并利用灰狼优化算法微调深度神经网络隐含层中的节点数。实验涉及到隐含层的层数对深度神经网络分类性能的影响,深度神经网络超参数的寻优,以及舵机异常检测模型分类器的选取。在与LRC、DNN、GWO-DNN模型的性能对比中,所提模型GWO-DNN-LRC展示了高质量的异常检测能力,其5次重复实验的平均准确度为99.261%、精确度为98.417%、召回率为98.062%、F-score为98.217%。主要解决了逻辑回归分类器受数据样本量影响显著的问题,以及深度神经网络超参数难以选择问题。其次,基于卷积神经网络构建了HPSOGWO-CNN模型。具体来讲,利用混合算法,即HPSOGWO算法对卷积神经网络的超参数进行微调,以提高分类性能。相比于深度神经网络,卷积神经网络中的卷积层、池化层、失活层的引入,使得网络的性能变的更加强大。实验主要分析了HPSOGWO算法应用于神经网络超参数微调工作的可行性。通过十种模型（KNN、SVM、BP、CNN、PSO-CNN、GWO-CNN、MGWOCNN、Wd GWO-CNN、RW-GWO-CNN、HPSOGWO-CNN）的性能对比分析,表明所提模型具有最佳水平和优异性能。HPSOGWO-CNN模型可以达到99.846%的准确度、99.748%的精确度、99.498%的召回率、99.618%的F-score、0.99565的Kappa系数,在对不同类别的分类性能评估中,11种类别中的7种类别的准确度、精确度和F-score均能达到100%。该模型主要提升了小样本的分类情况,并研究得出HPSOGWO算法是一种优秀的超参数自动选择技术。论文从不同角度出发,构建了两个舵机异常检测模型。模型的构建有效的解决了舵机测试数据中的小样本难以被准确分类问题,适用于样本不均衡数据的深度特征提取与异常检测。基于深度学习的舵机检测技术的研究,减轻了人工数据分析与决策的工作量,实现了舵机异常检测的自动化,为飞行器、船舶等航行时的安全提供了保障。