无人直升机具有体积小、重量轻、价格便宜等特点,并且能够实现垂直起落、协调转向、避障机动等特种飞行任务,这使得无人直升机在测绘监控、农业生产、军事侦察等领域得到了广泛应用。因此,研究无人直升机的系统建模和飞行控制具有重要的意义。但无人直升机是一个复杂的高阶、时变、非线性系统,并且其刚体动力与空气动力、发动机动力、振动以及其他各种动力耦合在一起,增加了系统建模和飞行控制的难度,因此研究无人直升机的系统建模和飞行控制具有很大的挑战性。目前在无人直升机领域,系统建模主要包括机理建模和系统辨识两种方法。但由于无人直升机复杂的空气动力学特性与强耦合特性,这两种方法得到的系统模型往往不能满足建模精度的要求。另一方面伴随着无人直升机应用的拓展,基于这种模型设计的控制算法难以满足无人直升机在复杂不确定环境下不断提高的飞行控制要求。针对这些情况,本文以小型无人直升机为研究对象,采用基于深度学习的方法对其系统建模和自适应控制问题进行了研究,主要包括建立无人直升机的高精度非线性动力学模型,研究机理建模、系统辨识与深度学习结合的深度辨识模型,设计基于深度辨识模型的自适应控制器,并进行相关仿真实验。本文的具体工作可以归纳如下:(1)对于复杂的无人直升机系统,采用机理建模、系统辨识与深度学习相结合的方法建立其非线性动力学模型,动力学模型中的确定性部分利用机理建模和传统系统辨识建立,无人直升机隐藏状态的动态行为(如气流)和系统动力学中的不确定性(如振动)通过深度神经网络来描述,两部分结合,最终建立深度辨识器。本文利用斯坦福大学的无人直升机项目的真实飞行数据来验证本文提出方法的有效性。实验结果表明,本文提出的深度长短期记忆神经网络辨识器相比于最新的深度线性修正单元模型具有更好的鲁棒性,深度卷积神经网络辨识器相比于最新的深度模型不仅具有更好的鲁棒性,而且建模精度提升了76.06%。(2)针对无人直升机的飞行控制,设计了一种基于深度辨识模型的自适应飞行控制器,实现了对无人直升机位置和姿态的高精度控制,并从理论上证明了无人直升机系统的稳定性,即在该控制器下无人直升机的位置和姿态跟踪误差能够渐近收敛到原点的任意小范围内。为了更好的说明本文所设计控制器的抗干扰能力,在进行仿真实验时,加入了从实际飞行数据中辨识得到的不确定性,实验结果表明本文的控制器在复杂不确定性环境下仍然具有良好的稳定性和控制精度。