Los vehículos hipersónicos de transformación (HMVs), reconocidos por su reconfiguración estructural adaptativa y maniobrabilidad en múltiples dominios, enfrentan desafíos formidables de guía de reentrada bajo múltiples zonas de no vuelo, estrictas restricciones de trayectoria y dinámicas no lineales exacerbadas por incertidumbres aerodinámicas inducidas por la transformación. Para abordar estos problemas, este estudio propone un marco jerárquico que integra un planificador de puntos de paso óptimos en energía basado en A*, una red de políticas de transformación impulsada por un gradiente determinista profundo (DDPG) y una ley de guía de condición de planeo cuasi-equilibrio (QEGC) con control de modo deslizante continuo. El algoritmo A* genera trayectorias heurísticas que evitan zonas de no vuelo, reduciendo la función de evaluación en un 6.2% en comparación con métodos codiciosos, mientras que DDPG optimiza los ángulos de barrido para minimizar la pérdida de velocidad y los errores terminales (0.09 km de posición, 0.01 m/s de velocidad). La ley QEGC asegura un seguimiento robusto longitudinal-lateral a través de un cambio suave de tangente hiperbólica. Las simulaciones demuestran generalización a través de diversos objetivos (errores terminales < 0.24 km) y robustez bajo desviaciones de Monte Carlo (rango de 0.263 +/- 0.184 km, velocidad de -12.7 +/- 42.93 m/s). Este trabajo conecta la planificación de trayectorias globales con la adaptación de transformación en tiempo real, avanzando en el control inteligente de HMVs. La investigación futura ampliará este marco a las fases de ascenso/descenso y optimizará su eficiencia computacional para el despliegue a bordo.