Con el fin de mejorar el problema de la dependencia excesiva de la información situacional, los altos requisitos de potencia computacional y la débil adaptabilidad de los métodos de maniobra tradicionales utilizados por los vehículos hipersónicos (HV), se propone una estrategia de maniobra inteligente que combina el aprendizaje por refuerzo profundo (DRL) y la red neuronal profunda (DNN) para resolver el problema del juego de persecución-esquiva (PE) hipersónico en situaciones difíciles de frente. Se utiliza el algoritmo de estrategia de gradiente de doble determinista retrasado (TD3) para explorar instrucciones de maniobra potenciales, la DNN se utiliza para ajustarse y ampliar los escenarios de aplicación, y la estrategia de maniobra inteligente se genera con la situación inicial de ambos lados, persecución y esquiva, como entrada y la sobrecarga del juego de maniobra del HV como salida. Además, se propone una estrategia de clasificación del grupo de experiencia para mejorar la convergencia del entrenamiento y la tasa del algoritmo TD3. Se diseña un conjunto de funciones de recompensa para lograr un ajuste adaptativo de la distancia de fallo de esquiva y el consumo de energía en diferentes situaciones iniciales. Los resultados de la simulación verifican la viabilidad y efectividad de la estrategia de maniobra inteligente mencionada para abordar el problema del juego PE de los HV en situaciones difíciles, y también se validan las estrategias de mejora propuestas.