无人机具备垂直起降、低速飞行以及定点悬停等优势,近几年备受国内外学者关注,其更多功能也逐渐被开发,且在军事、农业等工程领域已获得了很好的发展。IMU(Inertial Measurement Unit,IMU)模块作为测量无人直升机飞行姿态参数的模块,对于无人机的正常飞行起到关键性作用。为了保证无人直升机能够正常稳定的飞行,保证IMU模块的的传感器所监测数据的精确性是首要的问题,我们必须要对该模块的传感器的状态进行检测和诊断,以使其整个系统能够及时获取故障信息,并实时的做出相应的处理。所以关于这一模块的传感器的故障诊断是很有必要的。本文首先分析飞行控制系统IMU模块中的传感器可能出现的故障,并构建了几种常见故障的数学模型。其次,通过对BP神经网络的学习,根据BP神经网络的运行机理,阐述了BP神经网络在故障诊断中的模型,由于BP神经网络存在陷入局部极小值等缺陷,本文提出一种基于遗传算法优化的BP神经网络故障诊断优化策略。并对网络隐层节点的选取以及优化算法的选择进行了实验验证,验证结果数据表明优化后的算法是可行的并且可以大大提高网络的收敛速度与精度。随后,根据提出的故障诊断优化策略,构造了优化后的神经网络观测器模型,建立了无人机非线性动力学系统模型,并对故障诊断系统进行分析,同时针对系统的误报和漏报,我们利用序贯概率比准则对系统残差进行判定,大大的提高故障诊断的准确性以及系统的抗干扰能力,实验证实整个网络具有很强的鲁棒性,并且该策略仅需一套传感器就能够完成对系统的检测,极大的提升了整个系统的性能。最后,利用Matlab创建了简单的飞行控制系统的GUI仿真环境来完成该算法的仿真验证,根据已有的某型飞机模型,以及本文提出的故障诊断优化策略,将陀螺仪姿态角的输出值作为预估参数,构建相应的俯仰角观测器、滚转角观测器以及偏航角观测器,对陀螺仪输出进行在线预估。在系统正常工作情况下,观测器的估计输出值和原系统的实际输出值的对比残差基本为0。当某个模块发生故障时由于无人机系统具有强耦合性,其他模块的残差也会发生偏差,在对残差进行判定,判断是否发生故障,如若发生故障便能够迅速的定位故障的发生点,从而提升整个系统的鲁棒性。仿真的结果也说明将该策略应用到传感器的故障诊断中来能够完成在线检测工作,满足系统的要求。