Para superar la influencia de factores de perturbación ambiental complejos, como las características no lineales y variables en el tiempo, sobre el rendimiento del control dinámico de UAVs de ala fija pequeños, se combina la relación de expresión no lineal de las redes neuronales (NNs) con el algoritmo de identificación de mínimos cuadrados recursivos (RLSs). Este artículo propone un método híbrido de identificación de parámetros aerodinámicos basado en el entrenamiento de red offline NN-RLS y la corrección de aprendizaje online. Los resultados de la simulación muestran que, en comparación con el valor real de la identificación obtenido por este algoritmo, el error residual del coeficiente de momento se reduce en un 69%, y el error residual del coeficiente de fuerza se reduce en un 89%. Bajo la misma precisión de identificación, el tiempo de identificación se acorta de 0.1 s a 0.01 s. En comparación con los algoritmos de identificación tradicionales, se pueden obtener mejores resultados de estimación. Al utilizar este algoritmo para actualizar continuamente el modelo de NN e iterar repetidamente, se puede realizar un aprendizaje iterativo para modelos dinámicos complejos, proporcionando apoyo para la optimización de los esquemas de control de UAV.