飞行器气动数据可通过数值计算（CFD）、风洞试验和飞行试验等途径获得。如何在低成本的基础上获得高保真度且不确定度较低的气动数据，依然是一个挑战性问题。在深度学习方法中，利用多层神经网络能够在更高维度上进行特征的表征与组合，从而有效地融合来自不同数据源的相关特征，提升模型的预测精度和可信度。然而，现有方法在融合不同数据集特征时，仍面临诸多技术难题。针对这一问题，本文提出了一种基于径向基生成式对抗网络（RBFGAN）的多源数据融合方法——RGAN-MSFM。该方法能够融合不同来源的气动数据集，挖掘多源气动数据特征之间的互补性与相关性。该方法首先利用RBFGAN融合不同来源数据中的互补状态特征，生成新的融合数据集；然后构建功能网络和上下文网络，深入探索各数据源之间的相关性，从而实现多源数据特征的融合学习。我们基于包含CFD数据与风洞试验数据的数据集，以及包含CFD数据与飞行试验数据的数据集，设计了两组仿真实验。实验结果显示，采用该模型进行数据特征融合后，数据集的精度平均提高了30.2%和67.5%；与传统数据融合方法相比，不确定度分别降低了23.9%和27.6%。
