Al abordar el problema de la transformación en el vuelo de vehículos, algunos académicos han empleado principalmente métodos de aprendizaje por refuerzo para tomar decisiones de transformación basadas en la tarea. Sin embargo, no han considerado las restricciones asociadas con el proceso de la tarea. La innovación de este artículo es que propone un método de decisión de transformación inteligente basado en redes neuronales profundas (DNN) para el problema de decisión de transformación autónoma de vehículos hipersónicos de impulso-deslizamiento bajo restricciones de proceso. En primer lugar, establecimos un modelo dinámico de un vehículo de transformación hipersónico con un ángulo de barrido variable de manera continua. Luego, para abordar el problema de la optimalidad de la decisión considerando errores y el problema de la densidad de flujo de calor durante el proceso de deslizamiento, se introdujo interferencia en la trayectoria de referencia en segmentos. Posteriormente, se realizó una reoptimización para generar una biblioteca de muestras de trayectoria, que se utilizó para entrenar a un tomador de decisiones inteligente utilizando una DNN. Los resultados de la simulación demostraron que, en comparación con el enfoque de transformación programática convencional, el tomador de decisiones de transformación inteligente podía determinar dinámicamente el ángulo de barrido basado en el estado de vuelo actual, lo que llevó a una mejora en el alcance mientras se adhería a la restricción de densidad de flujo de calor. Esto valida la efectividad y robustez del tomador de decisiones inteligente propuesto.