El control de movimiento de aeronaves modernas y avanzadas debe proporcionarse en condiciones de conocimiento incompleto e inexacto de sus parámetros y características, posibles modos de vuelo e influencias ambientales. Además, pueden ocurrir diversas situaciones anormales durante el vuelo, en particular, fallos en el equipo y daños estructurales. Estas circunstancias plantean el problema de un ajuste rápido de las leyes de control utilizadas para que el sistema de control pueda adaptarse a los cambios mencionados. Sin embargo, la mayoría de los esquemas de control adaptativo tienen un modelo del objeto de control, que juega un papel crucial en el ajuste de la ley de control. Es decir, también se requiere resolver el problema de identificación para sistemas dinámicos. Proponemos un enfoque para resolver los problemas mencionados anteriormente basado en redes neuronales artificiales (ANN) y tecnologías híbridas. En la clase de tecnologías de redes neuronales tradicionales, utilizamos redes neuronales recurrentes del tipo NARX, que nos permiten obtener modelos de caja negra para sistemas dinámicos controlados. Se muestra que en una serie de casos, en particular, para objetos de control con propiedades dinámicas complicadas, este enfoque resulta ineficiente. Una de las posibles alternativas a este enfoque, investigada en el artículo, consiste en la transición a modelos de redes neuronales híbridas del tipo caja gris. Estos son modelos semi-empíricos que combinan en la estructura de la red resultante tanto datos empíricos sobre el comportamiento de un objeto como conocimientos teóricos sobre su naturaleza. Permiten resolver con alta precisión problemas inaccesibles por el nivel de complejidad para modelos ANN de tipo caja negra. Sin embargo, el proceso de formación de tales modelos requiere un consumo muy grande de recursos computacionales. Por esta razón, el artículo considera otra variante del modelo híbrido de ANN. En él, el modelo híbrido no consiste en la combinación de elementos empíricos y teóricos, resultando en una red recurrente de un tipo especial, sino en la combinación de elementos de redes feedforward y redes recurrentes. Tal variante abre la posibilidad de involucrar la tecnología de aprendizaje profundo en la construcción de modelos de movimiento para sistemas controlados. Como resultado de este estudio, se obtuvieron datos que nos permiten evaluar la efectividad de dos variantes de redes neuronales híbridas, que pueden utilizarse para resolver problemas de modelado, identificación y control de aeronaves. Las capacidades y limitaciones de estas variantes se demuestran en varios ejemplos. A saber, en el ejemplo del problema del movimiento angular longitudinal de la aeronave, se consideran por primera vez las posibilidades de modelar el movimiento utilizando la red NARX aplicada a un avión de transporte supersónico (SST). Se muestra que en condiciones de operación complicadas, esta red no siempre proporciona una precisión de modelado aceptable. A continuación, se resuelve el mismo problema, pero aplicado a una aeronave maniobrable, como un objeto de modelado e identificación más complejo, utilizando tanto una red NARX (caja negra) como un modelo semi-empírico (caja gris). Se muestra la ventaja significativa del modelo de caja gris sobre el de caja negra. Las capacidades del modelo híbrido que realiza tecnologías de aprendizaje profundo se demuestran formando un modelo del objeto de control (SST) y un neurocontrolador en el ejemplo del esquema de control adaptativo MRAC. La eficiencia de la solución obtenida se ilustra comparando la respuesta del objeto de control con una situación de fallo (una disminución en la eficiencia del control longitudinal del 50%) con y sin adaptación.