随着人类社会的发展,人们对惯性导航系统的精度要求进一步提高。导航精度主要由惯性元件的输出精度决定,而惯性元件对温度的变化极其敏感。惯性平台作为惯性元件的载体,其温度场的分布也会影响元件的性能。因此,为了使系统满足制导与控制的要求,有必要对平台及元件的温度场进行研究,并进行温控设计。为了改善惯导平台的温度场,本文提出了一种基于深度学习的图像建模方法,并将其应用于平台的温度均匀性优化中。本文的主要研究内容如下:（1）建立了某型惯导平台的简化CAE模型,并对其在给定功率下工作2500s的温度变化规律及分布规律进行仿真分析。结果表明,在工作过程中,平台和元件的最高温度均先上升,然后下降,最后缓慢上升;平台的温差变化为先上升,然后下降,最后趋于稳定;仿真结束时,陀螺仪的温度和温差最高,其次是平台;此外,平台的高温区域主要出现在陀螺仪安装孔附近。（2）引入参数化的伪三维模型来代替三维模型对惯导平台进行结构优化。由于惯导平台的三维模型结构复杂,仿真时间长,直接对三维模型进行优化将耗费大量时间,因此本文构建了一个简化的伪三维模型,来近似三维模型中安装基准面的温度分布,并对其进行参数化设计,实现了仿真过程的闭环控制。（3）提出了一种基于图像的温度均匀性评价指标。在传统的温度场优化中,目标函数通常采用选取的数据,如最高温度、温差等,但这可能会忽略设计空间的某些特征。为了建立更直观、客观的表征温度均匀性的指标,本文引入温度云图来构建目标函数,并通过计算图像像素点标准差来评价其温度均匀性。（4）提出了一种基于深度学习技术的图像建模方法。本文利用变分自编码器学习训练样本的特征和约束条件,以高效地生成仿真云图;此外,利用变分自编码器结合最小二乘支持向量回归模型,建立了基于图像的高精度代理模型;最后利用这两个模型,提出了一种基于图像的全局随机搜索优化策略。（5）将提出的图像模型及优化策略应用于平台的温度均匀性优化中。仿真云图可以反映更多的细节问题,并且保留模型的特性,本文基于图像进行优化问题的求解,将会更加地合理和准确。结果表明,优化后的伪三维模型平台温差降低了44.6%;将优化设计应用于三维模型中,平台中安装基准面的温差较初始值降低了0.52℃（32.3%）,局部高温区域显著减少,平台整体温度性能得到改善。此外,与其它启发式优化算法的结果进行比较,验证了该方法的有效性与准确性。