Para lograr el movimiento hacia adelante de la actitud de aterrizaje del avión en el límite ultra, este documento construye un sistema de advertencia de actitud de aterrizaje de aeronaves basado en aprendizaje profundo. El sistema de alerta temprana incluye cuatro módulos: pretratamiento de datos, reducción de dimensionalidad de características, predicción y juicio. Posteriormente, a través de métodos de pretratamiento de datos como limpieza de datos, normalización de frecuencia, estandarización de datos y clasificación de características, el conjunto de datos experimental se transforma en una forma reconocible por algoritmos de aprendizaje automático y modelos de redes neuronales. Se extraen los parámetros de características necesarios para formar un conjunto de datos de entrenamiento de aprendizaje profundo. Luego, se aplicó el algoritmo de Máxima Relevancia y Mínima Redundancia para seleccionar los parámetros del QAR (Grabador de Acceso Rápido) con la mayor correlación con las variables predictoras, y se estableció el modelo de red LSTM para predecir los ángulos de cabeceo y alabeo del aterrizaje del avión, respectivamente. Se utilizan métricas de evaluación para determinar los parámetros óptimos del modelo. Finalmente, se introduce la matriz de confusión para probar el efecto de predicción del modelo, y a través de los indicadores secundarios de la matriz de confusión, la precisión de predicción del sistema de advertencia de actitud de aterrizaje establecido es del 94.83% para el ángulo de cabeceo y del 91.18% para el ángulo de alabeo. También proporciona a los pilotos un margen de tiempo de 5 segundos para evitar riesgos. El sistema puede emitir efectivamente advertencias tempranas para eventos de actitud de aterrizaje en el límite ultra y, basándose en los resultados de la predicción, identificar los tipos de riesgos.