高超声速飞行器具备极大的军用和民用潜力,但其强耦合性、强不确定性、环境复杂性和强非线性等特点,为飞行控制带来极大的挑战,也减缓了它走向应用的脚步。传统飞行器的设计经验告诉我们,闭环性能评估是控制系统设计的强力辅助工具。然而,高超声速飞行器的性能评估却面临诸多难题:一方面,高超声速飞行器的动力学特性和常规飞行器存在较大差异,常规飞行器的性能评估方法未必适用于高超声速飞行器;另一方面,由于缺乏飞行试验数据,建立高可信度的高超声速飞行器性能评估体系困难重重。本文利用了现有的高超声速飞行器的建模和控制工具,研究了不确定性影响下,面向任务的高超声速飞行器闭环性能评估方法,具体工作如下:1、为了得到用于性能评估的高超声速飞行器模型,本文以Doman等人的机理模型为对象进行代理建模。首先推导了纵向运动方程,建立了高超声速飞行器力学代理模型作为控制和性能评估的基础。代理模型在大包线内具有很高的拟合精度,同时还具有与参考模型一致的配平特性和开环极点。2、飞行器性能评估体系一般是树型结构,顶层指标由底层指标通过信息融合获得,构建高超声速飞行器性能评估体系面临评价指标赋权和底层评价指标可行性分析两大难题。本文以底层指标的可行性分析为重点,研究了不确定性对高超声速飞行器性能评价的影响,提出了基于双映射的底层指标可行性检验方法,并设计仿真实验验证其可操作性。3、为评估高超声速飞行器在执行复杂任务时的闭环性能,本文设计了多模态飞行任务并确定了相应的评估方法。首先通过模态分析发现高超声速飞行器在非平衡点处长短周期运动不能解耦,因此本文的控制系统采用速度和高度作为跟踪指令;然后设计了爬升-巡航多阶段飞行任务与LQR跟踪控制器;通过对仿真实验得到的跟踪误差进行高斯过程检验,本文最终选择“基于机器学习的闭环性能预测机制”作为高超声速飞行器的性能评估方法。4、将面向轨迹跟踪任务的闭环性能评估转化为跟踪误差的分类预测问题,由于双映射检验难以解决高维度问题,限制了其向复杂飞行任务推广,为此,本文基于多种机器学习方法设计了不同的跟踪误差分类预测器,最终通过仿真实验获得具有高准确率的闭环性能评估机制,同时揭示了机器学习应用于高超声速飞行器性能评估的发展潜力。