随着科学研究的深入以及技术水平的发展,工业对动态温度测量的需求日益提高,然而动态温度具有复杂的变化规律,因此对其测量较为困难且难以保证测量精度。为测量动态温度,本课题对多热电偶法进行了研究与讨论。具体研究内容如下:（1）讨论了多热电偶测量动态温度的方式,介绍了传统多热电偶法测量动态温度的数学模型。同时,将热电偶测量得到的数据视为时间序列,提出相应的深度学习模型,并总结分析了机理模型、带外部输入自回归模型（传统数据驱动模型）、卷积神经网络模型（深度学习模型）重建动态温度的原理。（2）利用仿真技术,数值模拟产生无噪声的热电偶测量数据集以及不同信噪比的热电偶测量数据集。基于上述数据集,对机理模型、带外部输入自回归模型、卷积神经网络模型进行仿真。由仿真结果可知,机理模型仅适用于无噪声测量数据集,并且对于激励信号有一定要求,带外部输入自回归模型适用于无噪声以及高信噪比下的测量数据集,卷积神经网络模型抗噪声能力较强,适用于低信噪比下的测量数据集。（3）通过双热电偶法测量气流动态温度实验,获取相应热电偶动态温度测量数据。依据相关仿真结论,对动态温度测量数据建立带外部输入自回归模型以及卷积神经网络模型,并对两种模型的输出进行比较。结果表明,两种模型在实验与仿真时呈现的规律具有良好的一致性,并且都能较好地重建气流动态温度。相比于带外部输入自回归模型,卷积神经网络模型具有更优的重建效果。