El control preciso de los números de Mach en sistemas de túneles de viento de compresores supersónicos e hipersónicos es un desafío crítico en la investigación aerodinámica. Aunque los estudios existentes han mejorado la precisión de las predicciones hasta cierto punto a través de métodos de aprendizaje automático, generalmente descuidan las características multimodales de los complejos sistemas de túneles de viento, limitando la generalizabilidad de los modelos. Para abordar este problema, el presente estudio propone un marco de predicción de números de Mach de fusión dinámica multimodal que integra estrategias de modelado segmentado y fusión de información cruzada. Primero, se construyen modelos de predicción segmentados de modo único sobre la base de la Regresión de Soporte Vectorial de Múltiples Salidas (MSVR), con hiperparámetros optimizados para capturar las características de los modos individuales. En segundo lugar, se emplea el método de Mínimos Cuadrados Parciales (PLS) para explorar las correlaciones entre los modos históricos y nuevos, seleccionando dinámicamente el modelo de predicción óptimo y actualizando el repositorio de modos históricos. Los resultados experimentales demuestran que el marco de fusión dinámica multimodal reduce el Error Cuadrático Medio (RMSE) en un 70.57%, 56.4% y 63.64% en comparación con la Regresión de Soporte Vectorial (SVR), PLS y redes de Memoria a Largo y Corto Plazo (LSTM) en seis condiciones de operación. El marco propuesto en este artículo mejora la precisión de la predicción del número de Mach mientras mejora la generalizabilidad del modelo.