Considerando los requisitos de planificación de trayectorias de alta eficiencia para vehículos hipersónicos, este artículo propone un método de optimización de trayectorias en tiempo real basado en una red neuronal profunda. Primero, se desarrolla el modelo de optimización de trayectorias de la fase de reentrada del vehículo hipersónico. Se utiliza el método pseudo-espectral para realizar la optimización de trayectorias fuera de línea, y se obtienen múltiples datos de trayectorias óptimas. Además, basado en la relación inherente entre los estados y las variables de control de una trayectoria, se establece una red neuronal para predecir las salidas de control actuales. La biblioteca de muestras de datos de trayectorias óptimas se utiliza para entrenar los parámetros de la red neuronal profunda y obtener un modelo óptimo de red neuronal. Finalmente, se realiza la verificación de simulación de la fase de reentrada del vehículo hipersónico. Los resultados de la simulación muestran que, bajo la condición de desviación del valor inicial e interferencia ambiental, el método propuesto basado en aprendizaje profundo puede lograr una generación rápida de trayectorias óptimas para vehículos hipersónicos, al tiempo que logra las ventajas de alta eficiencia computacional y fiabilidad. En comparación con los algoritmos tradicionales de optimización de trayectorias, el método propuesto tiene la capacidad de generalización que satisface los requisitos de precisión y cumple con las demandas de optimización de trayectorias en tiempo real en línea.