电推进动力系统在中小型无人机上得到了广泛的应用,其中变距桨电推进动力系统是该领域研究的热点。本文选用了一种典型的变距桨电推进动力系统作为研究对象,搭建了变距桨电推进动力系统测试台,对变距桨电推进动力系统进行了部件级建模和模型参数辨识,得到了可靠的非线性模型和LPV模型,重点对变距桨电推进动力系统的模型校正算法、多变量动力系统的非线性解耦控制和线性控制算法进行了探究,具体研究内容如下:（一）、为了解决电推进动力系统在使用过程中电池电量衰减出现的性能退化、机载LPV模型的状态以及输出发生偏离的问题,利用非线性模型和锂电池的放电SOC曲线模拟了性能退化的变距桨电推进动力系统,之后基于线性卡尔曼滤波法和扩展状态观测器法对机载LPV模型进行了校正。研究结果表明,校正后的机载LPV模型能够对电推进动力系统的转速和拉力具有很好的跟踪效果。（二）、针对动力系统非线性和多变量耦合的特性,以其非线性模型作为算法验证对象,探究了基于机载LPV模型的在线前馈解耦控制算法和BP神经网络多变量自适应解耦控制算法。研究结果表明,对比传统的前馈解耦控制,基于LPV模型的在线前馈解耦控制初步解决了解耦器自适应的问题,而BP神经网络多变量自适应解耦控制器能根据工况变化同时对多个控制回路的PID参数进行在线整定,同时保证了解耦器和控制器的自适应能力。（三）、针对动力系统在固定工作点附近的抗扰动问题,以动力系统的线性模型作为算法验证对象,使用了LQR控制器来抑制系统所受到的干扰,并以PSO优化算法对LQR控制器的参数进行了优化。另外,考虑到LQR控制器对线性模型较为依赖,针对线性模型参数摄动的问题,利用了模型匹配条件和李雅普诺夫函数对MRAC算法的控制律进行了设计。研究结果表明,对比传统的LQR控制,使用PSO算法优化后的LQR控制器具有更强的抗扰动能力;且在使用了MRAC算法后,动力系统的状态始终对参考模型的状态保持着一种渐进的跟踪,解决了线性模型参数摄动的问题,进一步加强了线性控制系统的鲁棒性。