空空导弹作为现代空战的核心武器，其技术演进与实战运用深度绑定，深刻重塑了现代空战形态。本文梳理自20世纪50年代以来空空导弹的发展历程，以国外典型空空导弹的实战运用为案例，按“初代尾追攻击、二代射程扩域、三代全向格斗、四代智能拦截”的四代划分体系，分析各代导弹在制导技术、动力系统、抗干扰能力等方面的技术特征及实战效能。本文通过分析空空导弹的实际运用案例，揭示其“需求牵引技术，实践检验效能”的规律，印证“实际需求牵引技术迭代”的发展逻辑，可为下一代空空导弹的智能决策、全域协同技术研发提供实证依据，也可为现代空战战术优化提供参考。

本文通过深度对比2020版与2025版美国陆军野战手册《FM 3-01 陆军防空反导作战》，揭示其在哲学指导、思维模式、作战理念及作战运用等维度的重大演进；在此基础上，从使命任务、体系建设、工程化方法、作战编组等方面研判美国陆军防空反导的发展趋势。研究发现，2025版条令显著强化多域协同、分布式网络化作战、全谱行动等核心要素，标志着美国陆军防空反导正加速向一体化、高敏捷、强韧性的新型作战范式转型。其“分布式、网络化、自适应”的作战模式及条令与技术协同的发展路径，将对全球防空反导格局产生深远影响，也为其他国家构建新一代防空反导体系提供了重要借鉴。

“一体化火力防护能力-高功率微波（IFPC-HPM）”系统是美国陆军采购自Epirus公司的反无人机固态高功率微波武器，用于承担低空防空任务，目前已发展至第二代产品，并在中东地区和印太地区进行了2次实验性部署。该系统可利用人工智能软件控制实现数控波形输出，精准定义杀伤区域，甚至能够打击有电磁屏蔽加固的无人机。本文对IFPC-HPM系统的研发背景、发展历程、工作原理、性能参数、作战应用模式及未来发展等方面进行概述，以期为反无人机领域和高功率微波领域相关研究工作提供参考。

数字平行战场作为数智化转型大趋势下装备发展、试验训练范式革新的关键载体，其一大特征在于“可持续演进”。当前人工智能技术飞速发展，为借助智能赋能的体系仿真工具链，持续提升数字平行战场应用效能，本文讨论新形势下数字平行战场与体系仿真智能化技术融合建设的研究重点，提出体系仿真智能化研究的总体架构和技术路线，设计智能赋能的体系仿真系统的功能组成，分析体系仿真智能化技术在平行推演、对抗研练等应用场景中的赋能路径与实践价值，同时结合研究现状梳理现存主要问题及相应的关键技术。

模型可信度评估是仿真领域研究的重要问题，当前的复杂多领域仿真模型可信度评估面临着验证方法认知不足、外场数据量不足、多领域知识依赖等众多挑战。针对这些挑战，本文提出一种多层次多维度智能化可信度评估方法。该方法首先针对待评估的仿真模型构建其可信度量化模型；然后设计模型验证方法的决策树，为不同的模型性能参数智能推荐最适合的验证方法，以降低验证方法误用的风险；接着设计个性化的归一化方法，对不同验证方法产生的分析结果进行归一化处理；最后考虑到真实测量数据存在噪声、误差、错误等客观条件，提出一种考虑外场数据可信度的模型可信度综合计算方法，并用一个无人艇模型为例，演示了本文方法的具体应用。上述方法可有效解决跨领域复杂仿真模型的可信度评估难题，进而保证复杂模型的可信度。

为系统化评估空中平台的作战效能，提出一种基于组合赋权-毕达哥拉斯模糊集的多属性决策方法。该方法针对传统评估中指标权重确定易受主观因素干扰的问题，提出基于G1序列法与改进CRITIC法的组合赋权法，对定性权重进行客观修正；通过毕达哥拉斯模糊集构建模糊决策矩阵，计算各方案贴近度，实现空中平台系统性能的优劣排序与比较。实例验证表明，该方法在有效性与实用性方面均表现良好，可为相关评估研究提供技术方法支撑。

针对复杂约束条件下临近空间高超声速目标拦截最优弹道在线生成问题，提出一种基于改进模型预测静态规划（MPSP）的弹道成型中制导方法：首先，分析了满足交会角约束的中末交班条件，构建了复杂约束条件下的中制导弹道优化问题；其次，考虑初始弹道角度对优化结果的影响，引入可调初始状态矩阵，实现最优初值的在线生成；再次，在满足交班约束的基础上，改进了包含状态最优的性能指标函数，实现终端速度最优的拦截弹道优化；最后，通过构建典型高超声速目标拦截场景，开展数值仿真，结果验证了所提中制导策略的有效性与优越性。

无人机在复杂未知环境中执行视觉导航任务时，面临着传感器噪声、GPS欺骗、动态障碍物等多种安全威胁，现有方法难以同时兼顾鲁棒性与实时性。本文提出一种面向安全增强的多层次视觉导航框架——SecNav框架。该框架融合对抗性输入检测、多模态特征提取与安全强化学习决策，实现端到端的安全导航：首先，构建基于变分自编码器的异常检测模块，利用重构误差与KL散度识别欺骗攻击与异常数据；其次，设计融合注意力机制与惯性测量单元的多模态特征提取网络，增强在视觉退化环境下的感知鲁棒性；最后，引入带安全约束的约束马尔可夫决策过程（CMDP）模型，通过拉格朗日方法优化奖励与安全约束的平衡，实现安全感知的决策控制。在AirSim仿真环境与自建对抗数据集上的实验表明，SecNav在GPS欺骗攻击下轨迹偏差降低72.5%，动态障碍物避碰成功率提升29.8%，攻击检测准确率超过92%，同时满足30帧/s的实时处理要求，验证了所提方法在安全性与实时性方面的显著优势。

针对复杂电磁环境下无人机射频信号识别难题，本文提出一种基于特征增强和多尺度注意力（FEMA）的YOLO无人机射频信号识别算法（FEMA-YOLO）。首先对采集的无人机射频信号进行预处理，通过短时傅里叶变换（STFT）进行图像编码形成时频图；其次通过构建双向特征金字塔网络（BiFPN）和多尺度注意力网络（EMA），提升对射频信号特征细节处理能力及抗背景干扰噪声能力；最后将时频特征输入改进后的FEMA-YOLO模型识别无人机类型。实验结果表明，该算法能够有效识别6种无人机类型，识别准确率达到92.1%，均值平均精度达到93.8%。

针对脉冲多普勒体制雷达导引头存在的“回波遮挡”现象，为降低其对目标检测与跟踪性能的不利影响，本文基于工程化应用需求，开展组合重频抗遮挡设计技术研究，提出不依赖导引头测距信息的重频脉冲组合设计方法，建立组合重频遮挡余度模型。根据克拉美罗界理论，本文提出的重频脉冲组合方法，在典型仿真条件下能够使脉冲多普勒导引头的测角均方根误差下界降低20.24%，可提升导引头的角误差检测精度和稳定跟踪性能，具有较高工程价值。

随着网络化分布式技术的演进，传统显控软件显现出架构僵化、智能化程度不足等缺陷，难以满足多源异构数据融合与动态资源调度的需求。本文提出一种云边协同的显控软件分层架构，通过前后端解耦与智能化重构，提高软件系统的扩展性和可靠性。该架构结合基于Kubernetes的云原生架构实现后端模块服务化，借助KubeEdge实现边缘前端模块动态部署，可有效解决传统显控软件实时性不足、资源协同效率低等问题。

针对传统来袭目标意图识别方法存在的人工规则依赖度高、抗干扰能力弱、多场景适应性差等核心问题，本文提出一种基于智能算法的来袭目标意图识别模型：首先构建覆盖目标属性、运动特征、电磁特征的多维度输入体系；其次对比分析主流智能算法的场景适配性，重点设计轻量化改进Transformer模型，通过多模态注意力机制强化关键特征权重，结合深度可分离卷积降低计算复杂度；最后，基于防空系统仿真数据集开展实验验证。结果表明，提出的模型在复杂电磁干扰环境下意图识别准确率达91.8%，较传统支持向量机（Support Vector Machine， SVM）提升17.5%，识别延迟控制在0.7 s以内。该模型可满足实战场景对实时性与鲁棒性的需求，为智能防御系统的工程化应用提供技术支撑。

针对多目标成像光谱探测需求，本文提出一种基于视域选通的目标智能图谱探测方法。该方法通过成像镜头将目标场景投影至数字微镜器件（DMD）表面，利用其高速开关特性，控制每片微镜翻转角度，将全视场区域内入射光束导向图像探测通道；在此基础上，利用YOLOv5智能目标检测算法实现车辆目标的检测与定位，输出目标坐标，继而驱动DMD翻转对应视场区域的微镜阵列方向，将光束导向至光谱探测通道，完成选定区域的光谱测量，最终实现目标的图谱探测。本文研制集成原理样机，并进行光谱标定实验。实验结果表明，该原理样机的图像像素可达700×700，光谱探测范围为450~480 nm，光谱分辨率达3.1 nm，帧频达20 Hz。在真实交通场景下，对车辆目标检测准确率高达95.6%，验证了本文所提出的视域选通目标智能图谱探测方法的有效性。

为减轻网络中断对业务传输的影响，针对现有链路备份方法存在主备路径协同配置与负载均衡耦合、评价指标单一、求解效率低等问题，本文提出基于边富余度最优的网络链路主备路径配置与容量分配算法。该算法以边富余度最大为核心目标、均衡度最小为次要目标，将问题拆解为物理路径数据库构建、可行方案搜索、容量分配优化三阶段，通过缩小搜索空间规模、拆分线性与非线性问题实现最优求解。经小型网络仿真验证，该算法可获得边富余度为7、均衡度为0.062 5的最优方案；与传统整体求解法相比，显著降低了求解难度，有效实现主备路径非重叠配置与负载均衡、保障网络业务连续性，同时明确缩小搜索空间，对提升求解效率具有关键意义。 关键词： 网络链路备份； 容量分配； 边富余度； 混合整数线性规划； 混合整数非线性规划

针对面空导弹在执行作战任务时发射区解算存在拟合精度低、模型设计困难、难以应对多维输入的问题，本文提出一种基于符号回归的发射区数值拟合方法。该方法利用遗传规划算法同时实现对模型结构和模型参数的搜索过程，并最终给出直观的数值拟合模型，从而解决模型设计和在嵌入式系统中的集成部署问题。经仿真验证，该方法能够有效应对多维输入，拟合精度与现有算法精度持平甚至更优。

针对传统产品保障领域中故障诊断过度依赖维修人员经验、诊断准确率低、实时性不足等问题，本文提出一种基于分段退化理论修正权重的AdaBoost-CART算法，以实现产品故障的智能诊断。该方法通过分类与回归树（Classification and Regression Trees， CART）算法建立故障弱分类器，将AdaBoost和分段退化理论相结合，构建用于修正样本权重的动态权重迭代机制，同时强化对错分样本的特征提取，形成具有强泛化能力的AdaBoost-CART分类模型。在产品发动机故障数据集上的验证结果表明，优化后的AdaBoost-CART算法准确率达到94.6%，相比优化前产品故障诊断的准确率提升了8.6个百分点。本文所提算法为产品保障维修提供了合理的辅助决策依据，提升了产品保障决策效率和产品工作可靠性。