热控系统作为航天器的关键技术保障系统之一,其重要任务是在航天器的整个任务周期内为所有空间任务单元,如机电设备和科学有效载荷等,提供一个可靠的热环境。传统的热控制技术对于在固定轨道上运行的航天器来说是非常实用的,因为其可靠性高,控制简单。然而,随着各种新型空间有效载荷的不断引入,对温度非常敏感的空间望远镜的温度控制要求变得越来越高。面对变轨、快速机动等复杂的空间任务时,热控系统必须能够根据当前的环境变化自主调整热控策略,这对传统的热控技术提出了巨大的挑战:一方面要求提高传统热分析建模与计算效率,并实现多工况自适应建模;另一方面,要求热设计优化过程摆脱过度依赖热工程师经验的束缚,提高优化效率并实现优化过程的自动化与智能化;再一方面,要求主动热控系统在无监督下,能够根据环境及系统变化情况在线自适应整定系统参数,以达到智能自主运行。为此,本文对空间望远镜及其热控技术的发展现状进行了概述,并基于深度学习等人工智能技术在代理建模、多目标优化及智能控制等方面的应用优势,提出了一种基于深度学习的空间望远镜智能自主热控技术,并围绕热分析建模、热设计优化、主动热控系统在线实时调控等问题,开展了基于深度学习的空间望远镜热分析代理建模、基于机器学习的热设计参数灵敏度分析、基于统计机器学习算法的热设计优化及基于深度强化学习的智能自主热控等关键技术研究。首先,研究了深度学习在空间望远镜热分析建模中的应用。为提高生成用于代理建模的热分析数据集的速度与准确性,通过NX/SST内嵌的宏操作开发工具与MATLAB及Windows批处理脚本语言联合开发了一套智能热分析批处理系统,实现了“参数抽样＞参数输入＞仿真计算＞结果提取”的全程自动化操作;在此基础上,考察了不同工况下基于深度学习的代理模型对基于有限元法的空间望远镜热分析模型的拟合效果,确定一种最佳的结构化深度神经网络（Deep Neural Networks,简称:DNN）作为热分析代理模型。通过迁移学习可以在只有少量训练数据的基础上实现代理模型在不同工况下的自适应拟合,这不仅提高了热分析建模及计算的效率,而且也改善了传统代理模型普适性差的问题,为未来大型复杂空间望远镜热分析代理建模展示了美好的前景。然后,在利用神经网络构建热分析代理模型的基础上,提出了一种基于机器学习的热设计参数灵敏度分析框架,并将其拓展为适用于各类空间载荷热设计参数灵敏度分析的通用框架。通过引入并行计算,进一步提高了智能热分析批处理系统的计算效率。在此基础上,引入了多保真元模型的概念,并考察了基于多保真模型的径向基函数神经网络（Radial Basis Function Neural Network,简称RBF神经网络）代理模型对基于有限元法的空间望远镜热分析模型的拟合效果,通过改进的思维进化算法对RBF神经网络进行优化进一步提升了其预测精度。在灵敏度分析过程中用热分析代理模型代替基于有限元法的热分析模型以加速计算过程,同时引入基于密度的灵敏度分析方法,通过热分析代理模型各个输入参数对应输出分布的累计函数来表征其基于密度的灵敏度指数。通过该灵敏度分析框架对空间望远镜主要传热路径上的热设计参数进行灵敏度分析,并与其他传统的灵敏度分析方法进行对比分析,验证了该通用框架的优越性,为热控系统的进一步优化设计奠定了理论基础。在充分研究了机器学习在空间望远镜热分析代理建模及热设计参数灵敏度分析中应用的基础上,提出了一种通过Bayesian优化算法对热控系统参数进行智能自主优化的优化设计方法。该方法摆脱了传统热设计过程中过度依赖热工程师经验的问题,其通过基于DNN的代理模型来降低热分析的计算成本,采用高斯过程并考虑先验的参数信息,建立一个采集函数来启发式地评估当前的模型,将不确定性区域与已知的上层较优的目标值区域进行比较,并进行权衡,从而实现热设计参数的持续优化和更新。理论与实验表明,该优化方法迭代次数少,收敛速度快,验证了统计机器学习算法在空间望远镜热设计优化中应用的可行性与优越性。最后,提出了一种基于深度强化学习的空间望远镜智能自主热控策略。分别研究了两种经典的强化学习算法Actor-Critic与Deep Deterministic Policy Gradient在PID热控制器参数自适应整定中的应用,实现了热控系统在无监督下智能自主运行,且达到m K级精密控温的效果。通过引入深度学习与迁移学习的思想,在不进行重新建模与训练的前提下,分析了PID热控制器在切换控制对象前后的控温效果及其自适应调节能力。最后通过搭建地面测试系统,验证了本文所提出的智能自主热控策略的有效性及实用性。