随着军事信息化建设的不断推进,计算机兵棋推演的应用日渐广泛,已经成为一种高效的指挥演练方式,这也对兵棋推演中的智能决策系统提出了更高的要求。兵棋推演的决策系统通常难以理解战场的宏观态势,容易被限制与单个实体行为的反应控制,无法把控战场的整体状态,效果不佳。提高兵棋推演决策系统的智能程度,有利于兵棋推演系统的推广,降低推演成本,为推演提供更多思路。针对兵棋推演系统,本文设计了对应的决策支持系统,对战场状态进行智能的预测与分析,将细节信息汇总,以方便决策模型理解的方式进行存储,在群体识别、意图预测、态势描述三个方面为决策模型提供战场的信息,从而提高决策系统的性能。在群体识别、意图预测的研究中,利用推演系统中探测器探测到的敌方信息,使用孪生网络和循环神经网络结构通过不同的方式进行建模,识别敌方的作战分组情况,并预测敌方各个作战分组的作战意图。设计了带激活状态的神经网络单元,方便的处理作战单元损毁和新增的情况,减少了内存整理操作。在此基础上,设计了多任务学习模型,在群体识别与意图预测模型中共享部分参数,一方面提高了群体识别模型的效果,另一方面降低了系统的冗余,提高了预测效率。态势描述方面,借鉴了游戏人工智能中的影响力地图技术,将态势信息表现为易被决策模型理解的形式。传统的影响力地图或者缺乏对动态信息的表示,或者对动态信息的表示十分不准确,容易导致AI主体做出错误的决策,本文提出了基于距离调整的动态影响力地图模型,根据产生影响的对象的运动趋势,对影响传播过程中的需要计算的距离进行调整,将运动趋势信息编码于最终的影响力地图中,为AI主体的决策过程提供支持。