En un esfuerzo por abordar el problema de los vehículos hipersónicos en transformación que alcanzan el objetivo mientras evitan zonas de no vuelo, se propone un método de guía mejorado de predictor-corrector. En primer lugar, se establece el modelo de movimiento de la aeronave y el modelo de restricciones. Luego, se presenta el algoritmo básico. Se utiliza el método de Q-learning para diseñar el esquema de ángulo de ataque y ángulo de barrido para asegurar que la aeronave pueda volar sobre zonas de baja altitud. La curva B-spline se utiliza para determinar las ubicaciones de los puntos de la trayectoria de vuelo, y el esquema de ángulo de inclinación se diseña utilizando el método de predictor-corrector, de modo que la aeronave pueda evitar zonas de alta altitud. A continuación, se utiliza el método de aprendizaje por refuerzo de Monte Carlo (MCRL) para mejorar el método de predictor-corrector y se utiliza una Red Neuronal Profunda (DNN) para ajustar la función de recompensa. El método de planificación en este documento realiza el uso de un ángulo de barrido variable, mientras que el método mejorado mejora aún más el rendimiento de la trayectoria, incluyendo la obtención de una mayor velocidad final y un ángulo de giro más pequeño. Los resultados de la simulación verifican la efectividad del algoritmo propuesto.