在未来智能化战争中，瞬息万变的战场态势对防空反导武器系统的探测感知和指挥决策提出了新的挑战。本文聚焦智能感知技术赋能未来防空反导作战装备，剖析了智能感知概念及内涵，围绕防空反导“观察、定位、决策、行动”（OODA）环以及典型作战流程，梳理感知对抗形态，主要包括预警与反预警、探测与反探测、跟踪与反跟踪、干扰与反干扰；揭示了智能感知对抗的核心科学问题是特征的隐匿与识别，给出了感知对抗技术在OODA环中的主要应用场景；最后，提出了提高防空反导装备智能感知对抗水平所需的关键技术发展建议。

面向未来高动态、强对抗、强拒止的作战环境，智能化水平成为制约无人飞行器执行任务能力、环境适应能力和作战效能提升的主要因素。围绕无人飞行器自主决策与规划技术这一难度高、发展快、前景广的研究方向，综述了自主决策与规划技术的主要研究成果以及未来发展方向：首先，结合无人飞行器的发展研究历程与现状，指出了开展自主决策与规划技术研究的必要性；其次，对当前自主决策与规划技术的研究成果进行了总结与分析；最后，对无人飞行器自主决策与规划技术的发展方向进行了展望。

基于Transformer架构的DETR系列网络在计算机视觉目标检测领域不断刷新目标检测的精度与速度。然而，基于红外图像的非合作目标检测的应用环境复杂，而且红外图像质量较差。针对该问题，提出了一种新的以Deformable DETR算法为基线的具有高检测精度的目标检测算法：首先设计了对红外图像进行图像增强处理的图像增强模块CLAHE-GB，并将其与Deformable DETR进行有机结合；然后在大型通用数据集上进行预训练；最后引入数据增强和迁移学习方法在自制的空中飞行物小型红外图像数据集中对检测头网络参数进行再训练，并对结果进行分析。结果表明：所提出的算法对红外图像数据具有较好的图像增强效果和检测精度。

针对空中对抗环境中多对多拦截的武器目标分配问题，提出了一种基于强化学习的多目标智能分配方法。在多对多拦截交战场景下，基于交战态势评估构建了目标分配的数学模型。通过引入目标威胁程度和拦截有效程度的概念，充分反映了各目标的拦截紧迫性和各拦截器的拦截能力表征，从而全面评估了攻防双方的交战态势。在目标分配模型的基础上，将目标分配问题构建为马尔可夫决策过程，并采用基于深度Q网络的强化学习算法训练求解。依靠环境交互下的自学习和奖励机制，有效实现了最优分配方案的动态生成。通过数学仿真构建多对多拦截场景，并验证了该方法的有效性，经训练后的目标分配方法能够满足多对多拦截中连续动态的任务分配要求。

城市低空运用小型无人机检测车辆等城市目标正逐渐成为主流手段。针对目前存在的实际场景中可见光探测易受光照影响、无法夜间工作和红外探测目标边缘模糊，导致单模检测网络检测精度低的问题，提出了一种基于图像融合和深度学习网络的无人机多模态融合的城市目标检测算法：首先，基于DUT-VTUAV可见光-红外配准数据集和TIF图像融合算法，构建多模态融合数据集；其次，对比了现有YOLO（You Only Look Once）检测系列网络的检测精度、速度及参数量等性能参数，选择出最适合无人机端移动部署的轻量化网络YOLO v5n；最后，综合运用图像融合算法和目标检测模型，形成多模态融合检测算法。在车辆数据集上进行的对比实验表明：相对单模检测，所提出的算法的检测精度得到有效提升，mAP高达99.6%，且该算法可在0.3 s内完成一组可见光-红外图像的融合检测，具有较高的实时性。

为解决低过载比和纯角度量测等约束下的三维机动目标拦截制导问题，提出了一种基于分层强化学习的拦截制导律。首先将问题建模为马尔科夫决策过程模型，并考虑拦截能量消耗与弹目视线角速率，设计了一种启发式奖赏函数。其次通过构建具有双层结构的策略网络，并利用上层策略规划阶段性子目标来指导下层策略生成所需的制导指令，实现了拦截交战过程中的视线角速率收敛，以保证能成功拦截机动目标。仿真结果验证了所提出的方法较增强比例导引具有更高的拦截精度和拦截概率，且拦截过程的需用过载更低。

高超声速飞行器具有机动大、速度高、航程远、威胁强等特点，已成为各大国重点发展的武器装备，识别其运动行为能为防御和拦截提供有力的技术支持。本文对有禁飞区等复杂约束条件下的高超声速飞行器运动行为识别问题开展研究：首先通过分析高超声速飞行器的运动特点，建立能够充分描述其行为模式的参数化运动方程；然后基于优化思想求解有禁飞区等复杂约束条件下的航迹规划问题，构建其数据集；最后基于深度学习方法设计高超声速飞行器运动行为识别算法。试验结果表明：所设计的识别算法能够实现对高超声速飞行器运动行为的识别，且具有一定的泛化能力，可为后续防御决策提供一定的参考。

针对高超声速滑翔飞行器滑翔段轴向过载不可控导致编队位置控制困难的问题，提出一种基于一致性编队控制和预测校正理论的协同编队控制方法。在协同制导架构基础上，基于多智能体一致性理论设计分布式集群编队控制策略，由编队中各飞行器的绝对位置和相对位置生成协调变量，采用动态逆方法生成基本编队控制指令；通过设计侧向机动控制指令，对编队队形进行调整，并采用双阶段预测校正控制算法实现编队集群的侧向机动控制。仿真结果表明：该方法能够实现欠驱动高超声速飞行器集群的编队队形生成和保持、良好的编队队形调节能力及对初始位置误差的鲁棒性。

重构作为综合模块化航空电子系统用来提高容错性和稳定性的常用手段，是指发生某一故障后，系统根据事先预设好的重构蓝图，通过一系列应用迁移动作从故障状态转为正常状态的过程。随着综合电子系统的功能多元化和结构复杂化，提高系统的容错性和稳定性显得至关重要。然而现有的人工重构和传统重构算法这两种重构配置蓝图设计方式难以保证综合电子系统的容错性和稳定性。本文针对综合电子系统故障情况，结合深度强化学习算法，对重构蓝图的重构模型进行探索并提出基于优先经验回放的竞争深度Q网络算法（PEP_DDQN），通过优先经验回放机制和SUMTREE批量样本抽取技术提出基于深度强化学习的优先经验回放和竞争深度Q网络重构算法。实验表明，相较于传统强化学习Q-Learning算法和DQN算法实现的重构蓝图生成算法，所提出的PEP_DDQN算法能生成更高质量的蓝图并具有更高的收敛性能与更快的求解速度。

针对非结构化环境下具有必经点约束的路径规划问题，设计一种两阶段求解方法，并对每一阶段算法做出改进。第1阶段，对典型非结构化环境进行地图建模，针对A-Star算法存在的接触障碍物、路径曲折的问题，提出新的障碍物安全距离方法并设计折线优化策略平滑路径。第2阶段，详细阐述必经点问题的求解流程，建模为旅行商变体问题并将多种优化算法拓展至必经点场景。由于现有方法难以高效求解必经点问题，提出一种改进遗传粒子群（IGPSO）算法，包括分层随机初始化、改进交叉方式以及变异算子。最后进行对比实验验证，结果表明改进算法在最优解成功率、运行时间和迭代次数方面具备明显优势。