近年来,由于计算机控制技术、电子信息技术以及航空技术的飞速发展,在其各项技术的不断推动下,无人机技术已经发展成了融合各学科先进技术的高集成度与智能化的复杂控制系统,不管是军事还是民用方面都发挥着越来越重要的作用。由此,为保证无人机在执行复杂任务时的安全性和可靠性,越来越多的学者在故障诊断方面进行了相关研究。同时,随着大数据技术和传感器技术的不断发展,可以将无人机飞行过程中产生的大量重要数据进行有效存储。因此,对于无人机历史数据的深度挖掘,需要更好的利用深度学习等相关数据驱动的方法,从而进行无人机的故障检测与诊断。因此,基于深度学习的方法对于无人机安全稳定的执行任务具有重要的价值。在故障诊断领域,深度学习能从数据中自主学习到不同故障的相关特征信息,根据原始数据可以直接判断无人机运行间的相关状态。因此研究深度学习方法应用于无人机系统的故障预测具有广阔的应用前景。无人机飞行控制系统是使无人机各个子系统协同工作的核心,为提高其的作业能力,降低无人机故障风险,本文以固定翼无人机为研究对象,采用基于深度学习方法对固定翼无人机的飞控系统进行飞行状态检测与故障诊断,具体工作如下:对无人机飞控系统故障检测与诊断方面的国内外研究现状进行了调研,针对现有异常检测与故障诊断方法分别作了分析和对比;制定了本文研究目标和技术路线;对于无人机系统组成结构及其常见故障的形式特点等理论知识进行了研究分析;针对无人机缺乏飞行员在回路中的实时控制,无人机事故率高的问题,重点研究了对于无人机飞行状态的监测,提出了一种基于长短期记忆网络预测模型的异常检测方法;基于LSTM方法,通过预测结果和预测不确定性估计实现异常检测方法;通过对具有异常的真实无人机运行数据的检测,验证了该方法的有效性;针对固定翼无人机执行器故障,对基于卷积神经网络的无人机飞控系统智能诊断方法进行研究,针对无人机机翼气动故障类型做了可视化研究,构建了固定翼无人机故障诊断卷积神经网络模型,通过对神经网络进行训练,从网络结构、消除过拟合等方面进行了对神经网络的优化,并搭建无人机飞控系统运行状态监测与故障诊断系统,实现了对无人机的实时监测与故障诊断的功能。