无人机目前在我们的生活中越来越普及,在农业、军事、交通管理、日常航拍等各个方面都具有重要的作用,也越来越变得不可替代。因此越来越多的研究人员开始研究无人机的相关技术,其中无人机的控制技术是无人机的核心技术之一。由于无人机是一个高度非线性的系统,对其飞行控制系统的研究带来了很大的挑战性。目前大部分飞行控制系统都采用PID控制算法,PID控制算法在线性控制系统中具有比较好的控制性能。而在实际应用中飞机由于油量、货物等引起的载荷的变化,将会使得PID控制器的控制性能下降。本文主要研究无人机飞行控制算法。本文研究无人机控制中的姿态控制系统。首先,该系统是一个多输入多输出的非线性系统,并且由滚转、俯仰、偏航三个子系统组成。为了研究深度学习运用到无人机控制上的可行性,本文基于深度置信网络设计了深度学习控制器,该控制器在三通道姿态控制上取得了很好的控制效果,达到了验证深度学习运用到飞控中的可行性的目的。其次,为了寻找最优的深度学习模型并且探究深度学习控制器的抗干扰性,本文设计了5层BP神经网络模型和门控循环单元模型。通过实验对比,得出5层BP神经网络在使用Tanh激活函数和Adam优化器的情况下,取得了最好的控制律。并且通过在测试数据中加入干扰量,证明了深度学习控制器具有较好的鲁棒性。最后,针对深度学习控制器泛化性的问题,通过将物理参数（如转动惯量）加入深度学习模型中进行训练。结果显示加入了转动惯量之后的深度学习模型可以在转动惯量发生变化时,依旧对无人机进行很好的姿态控制,解决了由于转动惯量不同,传统PID控制器需要进行繁琐的参数整定的问题;针对无人机完整的姿态控制框架,设计传统PID控制器与本文提出的多层神经网络的对照实验,结果表明,本文提出的多层神经网络控制器可以有效缩短无人机姿态角控制响应时间和静态误差。经过本文研究,实验结果表明,深度学习控制器替代传统PID控制作为姿态控制器,具有较好的鲁棒性,并且简化了传统控制器的调参过程,控制响应有一定程度的提高。说明该深度学习控制器具有一定的泛化性和优越性,为以后运用在不同的无人机上提供了可能。