随着四旋翼无人机(Quadrotor Unmanned Aerial Vehicle,Quadrotor UAV)技术的发展,UAV可以替代人们在一些恶劣的环境中工作,并已成为一些特殊工作中不可或缺的角色。但由于其执行器易发生故障,不仅降低了无人机工作时的可靠性,而且会带来不可预估的负面影响。鉴于此,本文针对quadrotor UAV可能发生的单一执行器故障问题和两个执行器同时发生故障(并发故障)的问题,根据多模型主动容错控制思想,进行较为系统的研究,主要工作如下:1)从quadrotor UAV单一执行器故障问题着手,研究了一种基于故障区间的多模型主动容错方法。首先,根据执行器实际故障对系统性能的影响进行分析,对系统性能容忍度进行分段处理,合理解决了因单一性能指标不能全面顾及所有故障而造成容错失败的问题;其次,根据不同故障区间将所有的执行器故障模型和对应的控制律分成模型子集,当执行器在系统工作中发生故障时,仅在故障区间对应的模型子集内,根据模型失配度匹配相应的故障模型与容错控制律,从而较好的解决了因逐一匹配故障模型而耗时的问题;最后,进行仿真实验,验证了该方法的有效性和优越性。2)针对按执行器故障区间建立模型子集仍存在容错时效性不足的问题,提出一种基于堆栈自编码故障分类的多模型主动容错方法。该方法将所有故障模型和相应的控制律按照执行器易发的三类故障类型分成三个模型子集;利用故障数据离线训练深度分类网络,在线进行故障分类,仅在相应的故障子集内匹配故障模型,并调用控制律。仿真结果表明,利用深度学习分类网络,不仅不需要过多的先验知识,而且故障分类精度高,同时,还可有效降低因故障一一匹配所消耗的时间,进而快速对故障进行容错。3)针对quadrotor UAV两个执行器发生并发故障以及分类网络因无人机内外界的噪声干扰致使分类准确率不高的问题,提出基于SDA两级分类的并发故障多模型主动容错控制方法。首先,建立单一执行器故障模型子库1和执行器并发故障模型子库2,并分别将两个模型子库按照故障类型分成模型子集;其次,利用带有一定统计噪声的数据训练分类网络SDA,使其在线识别故障类型时降低对干扰的敏感性;进而,通过SDA的单一故障/并发故障及不同类型故障的两级分类,准确的在相应的模型子集内匹配故障对应的模型,进行安全容错;最后,通过实验仿真验证了该方法的有效性和优越性。