随着高超声速推进技术的发展,超燃冲压发动机的关键参数监测和状态感知需求日益提高,但目前尚未有专门的监测体系全面对超燃冲压发动机进行参数监测。此外,由于超燃冲压发动机的燃烧效率与燃烧室内流动燃烧组织过程密切相关,对燃烧室内的参数监测更应该关注其场分布。基于以上两点,本文构建了超燃冲压发动机智能传感体系来实现对发动机全面的参数监测,并提出了多项基于深度学习的关键技术来实现场分布重建和状态感知,进一步对这些关键技术进行了应用研究,主要内容如下:以超燃冲压发动机的多层次结构为基础,构建了发动机智能传感体系,并利用其协调匹配特性,进一步构建了智能传感网络。通过网络各层的信息传输,实现发动机运行参数监控、发动机状态变化感知和传感器失效处理这三类重要功能。提出多项基于深度学习的关键技术,对其中的多信息融合技术展开介绍,并将其融入发动机智能传感体系。对基于深度学习的燃烧室壁面温度场重建算法进行应用研究。本算法最初由反卷积网络构建而成,在仿真数据集下能够实现较高精度的壁面温度场重建,但是重建结果过于平滑,细节不明显。进一步采用生成对抗网络构建壁面温度场重建算法,结果表明该算法的重建结果能以少量均方误差为代价,获得更明显的流场激波结构细节。对基于TDLAS-GAN的燃烧室特征截面重建算法进行应用研究。该算法以TDLAS技术为基础,方案一是先通过代数重建算法得出低分辨温度场,再通过超分辨算法进行数据增强。方案二是直接以光路吸收积分值为输入,高分辨温度场为输出构建生成对抗网络来实现特征截面温度场重建。在三维仿真数据集进行训练测试,结果表明,相比于方案一,方案二对吸收光谱数以及光路数的需求更低,精度更高,能够完成燃烧室特征截面温度场重建这一任务。对基于声音识别的状态判别技术进行应用研究。声音识别模型一以语谱图为输入,采用深层卷积网络(DCNN)结构,而模型二以梅尔频率倒谱系数为输入,采用CLDNN网络结构。在水声数据集中进行交叉验证,结果表明,相比于模型一,模型二在四分类任务上有更高的分类准确度以及更强的泛化能力。进一步将任务细化为八分类问题,由实验误差以及数据集不充足产生的状态标签错误被放大,这导致声音识别模型的泛化能力急剧下降。通过在水声数据上的应用研究,证明了声音识别技术在状态判别上的应用前景,同时也对声音数据采集和类别标注提出了更高的要求。