飞行器在高速航行的过程中,其燃料箱起着重要作用。而飞行器高速航行带来的气动加热环境,使其燃料箱内燃料在重力作用下产生热分层现象,进而易导致燃料局部过热,这种现象极大地影响飞行器性能及安全。因此分析高速飞行器燃料箱传热分层特性,对其温度场分布及温度变化趋势进行预测具有重要意义。本文以某燃料箱为研究对象,探究其内部热分层现象及温度场分布情况,基于仿真数据建立温度场的高精度、快速预测神经网络模型。具体地,本文开展了以下工作:（1）搭建了燃料箱传热实验台,进行五种不同工况下的传热模拟实验。结果表明,三种满箱工质工况时箱内发生了明显的热分层现象,且越靠近顶部,工质温度越高,温度变化梯度越大。建立三种满箱工况下的燃料箱三维传热数值模拟模型,得到箱内工质温度分布情况。对比分析数值模拟结果与实验结果,绝大多数监测点的数值模拟结果与实验结果平均相对误差在5%以内,验证了数值模拟结果的准确性。（2）建立了燃料箱内温度场预测神经网络模型。通过数值模拟计算获得燃料箱内中间位置截面温度场云图数据,构建了三种工况下的温度场分布图片数据集和点云数据集,基于温度场图片数据和点云数据,分别建立温度场预测卷积神经网络模型和点云神经网络模型,对燃料箱温度场进行预测。两个模型的平均绝对误差分别为0.0062和0.0146,均方根误差分别为0.0348和0.0210,预测精度较高,且每个温度场样本预测时间均为毫秒级,较仿真计算时间成本大大缩小。（3）构建了物理信息约束的燃料箱温度场预测模型。通过在损失函数中加入偏微分方程损失项和内外边界条件损失项,建立物理信息约束的神经网络模型,进一步提高了模型的预测效果。添加物理信息约束之后,模型预测的平均绝对误差为0.0074,均方根误差为0.0099（映射到原温度场分别为0.69K和0.92K）,误差分别降低了37.3%和37.8%。与纯数据驱动的温度场预测模型相比,该模型在传热边界处误差显著减小,物理约束的添加对模型的训练过程产生了一定的正向引导。