计算机生成兵力(Computer Generated Force,CGF)是作战仿真领域的关键前沿技术之一。为解决现有仿真系统中CGF对抗能力不足、行为表现不真实的问题,必须从机理上提高CGF的认知水平。意图识别是一类重要的认知行为,具备意图识别能力的CGF能够像人类一样“知己知彼”,即利用获取的情报信息判断对手意图,并为制定有效对策提供依据。因此,研究面向CGF的意图识别理论对于提高CGF的智能性和类人性具有重要意义。本文首先介绍了CGF意图识别的研究背景、研究意义以及理论研究和应用现状,在此基础上分析了意图识别理论与自动规划、参数估计和不确定性推理等相关理论的关系,并构建了意图识别的一般性研究框架。在该框架下,意图识别问题被分解为三个部分:a)问题的形式化描述;b)行为参数获取;c)意图推理。在论文主体部分,论文将意图识别的研究框架与具体应用相结合,针对四种作战仿真中的典型场景,分别提出了相应的意图识别建模理论和推理算法:第一,针对个体战术机动目标的识别问题,论文提出了一种半马尔可夫决策模型(Semi-Markov Decision Model,SMDM),并基于该模型对CGF在网格地图上的战术机动过程进行形式化描述。为了解决标准粒子滤波(Standard Particle Filter,SPF)估计方差过大的问题,本文将Rao-Blackwellised粒子滤波(Rao-Blackwellised Particle Filter,RBPF)应用于机动目标的近似推理。在仿真实验中,论文设计了一个侦察兵以机动的方式躲避巡逻车并侦察预定目标的战术想定,并使用SMDM和RBPF识别侦察兵的机动目标。实验结果表明,SMDM能在机动目标改变和观察数据部分丢失的情况有效识别机动目标,并在识别指标上优于一种改进的隐马尔可夫模型。在近似推理方面,当粒子数目充足时,RBPF能在消耗的更短时间的情况下,获得比SPF的方差更小的估计结果;当粒子数目不足时,RBPF推理的平均失效率低于SPF。第二,针对多智能体联合意图识别问题,论文提出了一种分布式部分可观察马尔可夫决策模型(Decentralized Partially Observable Markov Decision Model,Dec-POMDM),并基于该模型对多智能体协同围捕过程进行了建模。在Dec-POMDM的框架下,本文还利用已有的多智能体增强学习算法来估计识别对象的最优策略,并基于改进的边缘滤波(Marginal Filter,MF)算法对大规模离散状态空间下的联合意图进行推理。上述方法的优势在于不需要识别对象协同方式的详细领域知识,且策略估计过程不依赖训练数据和模型信息。在仿真实验中,本文设计了一种改进的围捕问题,并用Dec-POMDM、策略估计算法和MF来识别围捕目标,实验结果证明了上述方法无论意图改变与否均有良好的识别效果,基于Dec-POMDM的建模在识别指标上均优于HMM,且MF比标准粒子滤波更加适用于大规模离散状态空间下的推理。第三,针对个体任务规划识别问题,论文提出了一种逻辑隐半马尔可夫模型(Logical Hidden Semi-Markov Model,LHSMM),利用LHSMM的图模型描述了一种典型的UAV战术规划过程,并用离散Coxian分布对UAV战术任务的持续时间进行了显式建模。此外,论文还给出了基于极大似然估计的规划识别推理流程,为解决推理中涉及的LHSMM评估问题,提出了一种带有持续时间的逻辑Forward算法(Logical Forward Algorithm with Duration,LFAD)。实验结果表明,LHSMM和LFDA能很好地识别出敌UAV的战术任务规划,同时还能判断出敌正在执行的战术任务及其目标与参数。另外,在统计指标上,LHSMM对任务规划的识别均优于LHMM,证明了抽象隐状态持续时间显式建模的有效性。第四,针对队组意图识别问题,论文提出了一种逻辑层次化半马尔可夫模型(Logical Hierarchical Hidden Semi-Markov Model,LHHSMM)。LHHSMM能够充分地描述复杂条件下执行队组意图的各类要素。为解决LHHSMM的推理问题,论文将SPF算法和LHHSMM的定义相结合,提出一种逻辑粒子滤波(Logical Particl Filter,LPF)算法。此外,论文还设计了一个队组协同进攻作战的想定场景,并用LHHSMM和LPF识别进攻方的进攻目标与协同方式。实验结果表明,LHHSMM和LPF能有效地识别出队组的协同方式和任务目标,LHHSMM在多种识别指标上均超过了一种改进的层次化逻辑隐马尔可夫模型,且在意图发生改变的情况下其优势更加明显。此外,实验还说明了队组意图持续时间的显式建模能明显提高识别效果。最后,本文对开展的研究工作进行了总结,并给出了未来需要重点关注的研究问题和理论方法。