准确识别目标的战术意图可以提高对敌方行为的预测能力,高效的决策模型能够有效提升无人机（UAV）的作战能力,优化导引方法则可为UAV规划合理的空战占位飞行路径,以上三类关键技术是UAV在协同空战中克敌制胜的关键。传统方法在一对一对抗中有着较好的表现,然而,在高度动态化的多机协同空战作战环境中,传统方法的作战能力大幅下降。因此,研发一种通用的UAV识别-决策-导引模型具有重要的工程意义。为解决在迎头、侧方、尾追等典型态势下的UAV双机协同空战决策问题,本文提出了一种典型态势下双机协同空战智能决策方法。首先,使用自回归过程（AR（p））和模糊化方法（Fuzzy）分别实现不完全和不准确信息的预处理,并在证据信息中提取19种低关联度特征和6种高关联度特征,提高了算法在非完备信息下工作时的鲁棒性。基于支持向量机（SVM）和C4.5决策树两种统计学习方法先后实现了攻击意图预测和战术意图分类,从而完成对敌方目标的战术意图识别。然后,根据先验知识设计动态贝叶斯网络（DBN）结构并完成了DBN的推理,使模型具有一定程度的双机协同战术决策能力。在此基础上,基于参数学习和结构学习方法构建增量式学习器,并针对结构学习中的非确定性多项式时间难以求解（NP-hard）的问题设计了三种约束策略,使模型具备持续进化的能力。最后,依据UAV飞行性能极限和包线边界制定约束算子,基于轨迹预测和任务分配设定优化导引量,并使用约束梯度法解算优化导引指标泛函。为评判优化导引的有效性,针对导引模型设计了三类导引评估因子,实现了优化导引的综合评估。为了验证典型态势下双机协同空战智能决策方法的有效性,本文设计了整体性的验证实验。实验结果表明,在使用3000个样本时,协同意图识别精度可达0.9681,协同战术决策精度可达0.9581。该方法在面对不完全和不准确信息时也表现良好,且具备较好的可解释性和小样本性能,算法收敛速度较快,可有效满足工程应用需求。此外,通过开展与传统方法在精度和效率方面的对比实验,证明了本文所述方法的优越性。