随着航空航天领域的不断发展,各种飞行器,如有人机、无人机、四旋翼、直升机等,越来越多的在军事、民用领域发挥不可替代的作用,具有广阔的发展前景。然而由于飞行器的高机动性、所处环境的复杂性、飞行器之间的交互性,导致对飞行器的研究面临着诸多问题。其中就包括对飞行器的预测问题。本文考虑利用智能方法解决飞行器在对抗环境下的预测问题,包括对飞行器的攻击行为意图预测和轨迹预测,主要研究内容如下:首先,考虑红蓝双方对抗场景下,为了提前躲避蓝方攻击,提高我方生存率,需要实时预测对方当前时刻是否有攻击行为发生,为此,本文提出一种基于模糊朴素贝叶斯网络的飞行器攻击行为意图预测模型。在多达几百种的传感器参数中选择十二种与攻击行为相关的特征量,由于所处环境的复杂性和时变性,所获取的特征量具有很强的不确定性,因此需要对其进行预处理,实现无效值剔除、缺失值补足;再利用模糊分类的方法,将连续的特征量离散化;依据专家经验构造朴素贝叶斯网络拓扑结构图,依据样本数据确定条件概率和先验概率,依据后验概率最大得到模型的预测结果。其次,考虑到朴素贝叶斯网络对于输入的特征量要求互相独立且比重相同的局限性,实际中各种特征量之间互相影响,难以满足要求,为此提出了一种基于加权动态贝叶斯网络的攻击行为意图预测模型,分析属性之间的依赖关系,重新构建网络拓扑结构,并为不同属性赋予不同的权重;同时,考虑到前文所用模糊分类的方法,带有很强的主观性,因此提出了基于平均分类的模糊离散化方法;并利用动态贝叶斯网络可以学习前后知识的优势,完成对攻击行为的预测。最后,为了解决飞行器轨迹难以实时预测的问题,本文提出了一种基于长短期记忆网络（LSTM）的飞行器轨迹预测模型,在传感器参数中选取二十三种特征量,并选取经度、纬度、高度三个向量作为标签属性,设计出一种标签训练方法,构造了包含两层LSTM网络的预测模型,选用均方误差函数（MSE）作为损失函数,自适应矩估计（Adam）算法作为反向传播算法,实现对预测模型的训练。在训练完成的基础之上,实时输入新的状态向量,得到飞行器下一时刻位置的预测结果。