飞行器在执行任务时,若某部件发生故障,势必会对飞行任务造成影响,甚至引发飞行事故。为提高飞行器的安全性和可靠性,本文进行如下工作:首先建立了以四元数为基础的飞行器姿态运动学方程和姿态动力学方程,并对飞行器执行机构中常见的故障进行分类,给出故障模型。其次对推力装置的启动阶段进行故障检测。传统模糊C均值聚类算法对初始聚类中心较为敏感,且易陷入局部最优。因此,在本文中将其与烟花算法相结合,烟花算法通过引入爆炸机制和变异机制,可以在一定程度上保证种群的多样性。通过烟花算法获取FCM的初始聚类中心,然后不断迭代更新隶属度矩阵和聚类中心矩阵,得到目标函数的最小值后输出最佳的分类结果。在故障检测时,先利用改进的FCM得到一组执行机构无故障情况下的聚类中心,然后将该组聚类中心与待检数据进行对比来判断此时是否发生故障。通过仿真实验,证明了改进模糊C均值聚类算法在故障检测时效果更好。接着采用基于神经网络的方法对飞行器执行机构进行故障诊断。一维卷积网络可以通过卷积、池化等操作提取出飞行器姿态数据中的某些特征,LSTM网络通过引入“门”机制,可以更好的保存时序信号中的长期信息,有效解决梯度消失等问题。将两种网络结合构建基于CNN+LSTM的诊断网络,通过对飞行器的故障仿真获取训练网络的数据集。对执行器偏置故障的诊断结果,表明相较于仅有CNN的诊断网络,CNN+LSTM的诊断网络有更好的诊断效果。然后,对执行机构故障下的飞行器进行容错控制。对飞行器而言,进行姿态控制需要在有限时间内完成,因而有限时间收敛的控制律是更优的选择。本文采用非奇异终端滑模理论,在基于CNN+LSTM诊断网络的基础上,设计了主动容错控制器。在普通非奇异终端滑模控制器中,引入诊断网络的实时诊断结果,仿真后证明该容错控制器具有较好的容错性能。最后,总结了本论文的主要工作,指出文章中还未解决的问题并提出了今后的研究方向。