准确地感知飞行中的大气数据，如：马赫数、攻角、侧滑角、静压等，对于飞行器的导航、制导与控制至关重要。传统的大气数据感知基于探针式的测量技术，以空速管与角度传感器为典型代表，其原理简单，应用广泛。然而，伸出机体的探针不能承受高速飞行工况下的高热环境，同时降低了飞行器隐身性能，在某些特殊情况下还可能影响飞行器的侧向稳定性。为了解决上述问题，NASA发展了嵌入式大气数据传感（Flush Air Data Sensing，FADS）系统的概念，其基本原理是利用飞行器表面的分布式压力传感器间接解算大气数据。作为一种非侵入式的大气数据测量方式，FADS系统不会改变飞行器气动外形，不破坏飞行器隐身特性，可适用于高超声速飞行器。然而，经典的FADS解算方法大多只适用于钝头前体飞行器，导致当前FADS技术的应用场景还十分局限。近些年随着航空航天技术的发展，高超声速飞行器的气动布局由以往的大钝头升力体布局朝着尖前缘高升阻比布局方向发展，FADS技术需要有更好的通用性和普适性，以适用更多一般外形的飞行器。面向此类场景的FADS技术需要特殊设计复杂解算流程，系统构建困难，解算精度不高，发展还很不成熟，亟待展开相关研究。针对上述问题，本文面向一般外形飞行器，针对FADS系统空气动力学建模、解算方法、故障诊断及容错回归、传感器布局优化等问题展开研究，主要工作如下：

传统的FADS空气动力学模型是在理想球形假设下得到的，以此发展的FADS算法只能适用于钝头前体飞行器。为了克服这一问题，本文基于量纲分析，定义了一组用于求解大气数据的无量纲参数，提出了能够适用于一般外形飞行器的FADS广义空气动力学模型。基于符号回归方法，发展了相应的大气数据解析算法：广义三点法 。为了验证提出算法，设计了具有较尖前缘的超声速飞行器前体标准模型，利用CFD数值模拟建立了FADS系统标准仿真数据库，并在该数据库上对该算法进行了验证。结果表明，相比于传统的三点法，广义三点法可以不仅适用于钝头前体飞行器，还适用于尖楔前体飞行器。

凭借着强大的非线性拟合能力，神经网络可以拟合任意非线性复杂函数，非常适用于FADS系统。然而，传统的FADS神经网络算法需要大量的训练数据，这些数据的获取十分耗时耗力，大大限制了神经网络算法应用。为了克服上述问题，本文使用神经网络来拟合FADS广义空气动力学模型，提出了基于无量纲输入输出神经网络的嵌入式大气数据传感（Flush Air Data Sensing Based on Dimensionless Input and Output Neural Networks, DIONNFADS）算法。该算法解耦了自由来流静压，可以将神经网络的训练样本的数目降低一个数量级。通过对训练神经网络的样本数目的收敛性分析，评估了用于训练神经网络的最佳样本数目。此外，讨论了算法对不同水平噪声及偏置的容忍程度和不同压力孔组合下的精度表现。

压力传感器的故障诊断与回归算法的容错能力是FADS系统的重要组成部分，投票等常规融合决策方法仅能对简单故障进行处理，且存在误判的可能性，难以处理传感器偏置等复杂故障。为了克服上述问题，提出了基于无量纲输入输出卷积神经网络的大气数据容错回归方法，该方法在回归大气数据的同时，反向计算飞行器壁面压力分布，并度量不同的测压孔组合下与测得的压力分布之间的差异，提出了以最小误差准则筛选传感器组合进行故障诊断与容错回归。相比于传统的诊断方法，该方法通过内置物理模型极大地避免了故障误判。结果表明，该方法能够适用于各种测压孔布局形式，对传感器偏置故障具有良好的容错回归能力。

面向一般飞行器FADS系统的传感器布置在工程实践中受诸多因素约束，传感器布局形式又直接决定系统解算精度，因此传感器布局的优化研究十分重要。通过研究多种典型的机器学习回归算法，基于FADS广义空气动力学模型发展了高效的大气数据回归代理算法，在此基础上，提出了面向一般飞行器全机的压力传感器布局优化框架。对不同位置、不同传感器数目约束下的传感器布局进行了优化研究，利用DIONNFADS分析了几种优化结果的回归精度。结果表明，对于无驻点布局、机翼前缘布局等典型约束，优化后的结果均能能够满足大气数据回归需求。

嵌入物理信息神经网络（Physics-Informed Neural Networks，PINN）在偏微分方程“逆”问题上表现出巨大潜力。受此启发，提出了基于PINN的大气数据解算方法，将“基于飞行器表面压力分布求解大气数据的问题”转化为“已知流场局部观测量求解Euler方程初始或边界条件的‘逆’问题”。该方法不需要任何先验样本就可以直接求得大气数据。提出了面向PINN的自适应的迁移学习技术，通过在更高维参数空间定义最小能量路径，解决了PINN高维非凸损失函数导致的优化过程不稳定问题，实现了高效的PINN大气数据求解。