El análisis estadístico de los accidentes de aeronaves civiles revela que la mayor incidencia de contratiempos ocurre durante las etapas de aproximación y aterrizaje. Predominantemente, estos accidentes se caracterizan por estados de energía anormales, lo que lleva a situaciones críticas como la pérdida de sustentación y aterrizajes bruscos. Por lo tanto, es de gran importancia predecir con precisión el estado de energía de la aeronave en las etapas de aproximación y aterrizaje para garantizar un aterrizaje seguro. En este estudio, se propone un método de aprendizaje profundo basado en datos de secuencia temporal para la predicción de los estados de energía durante la aproximación y el aterrizaje de la aeronave. En primer lugar, mediante una revisión exhaustiva de la literatura existente, se seleccionaron tres parámetros característicos: altitud, velocidad y ángulo de planeo, como indicadores para caracterizar el estado de energía. A continuación, se desarrolló una plataforma de simulación semifísica para un determinado tipo de aeronave. Se llevaron a cabo experimentos de aproximación y aterrizaje con diferentes tamaños de acelerador y deflexión de flaps bajo diferentes velocidades y direcciones del viento. Luego, se estableció un modelo de predicción de aprendizaje profundo basado en Memoria a Largo y Corto Plazo (LSTM) utilizando los datos experimentales para predecir los indicadores del estado de energía durante las fases de aproximación y aterrizaje. Finalmente, el modelo LSTM establecido fue sometido a un riguroso entrenamiento y pruebas bajo diferentes estrategias, y se realizó un análisis comparativo. Los resultados demostraron que el modelo LSTM propuesto exhibió alta precisión y una fuerte capacidad de generalización en la predicción de estados de energía durante las fases de aproximación y aterrizaje. Estos resultados ofrecen una base teórica para diseñar sistemas de alerta temprana de energía y formular las leyes de control de vuelo relevantes en las etapas de aproximación y aterrizaje.