在反无人机集群（UAV Cluster/Swarm）任务中,需要通过态势（Situation）分析掌握无人机的威胁程度、运动趋势等情况,以制定最优的反制策略。人工为主的态势分析存在注意力、处理速度等方面的生理极限,在面对无人机集群包含的大量个体时,可能难以准确、实时地提供态势分析结果。相比而言,机器为主的态势分析中,大量分析任务由计算机完成,人的角色由数据分析转为结果评判、系统维护等,这种新型人机协作关系能够更好适应反无人机集群任务的需要。本文以面向反无人机集群的态势分析为课题,主要研究以下内容:（1）研究态势分析系统的信息层次结构,探讨作为系统输入的态势图生成技术。本文根据人与计算机对数据的处理难度不同,将反无人机集群过程中涉及的数据分为基础数据和抽象数据。本文的研究位于抽象数据层,其输出是表现为文字、图标、声音的态势描述,输入是标有态势要素的态势图。本文将态势要素分为实体和事件两类,结合反无人机集群任务,探讨态势要素的具体内容。探测数据来源于无线电雷达、激光雷达、金属探测、光电探测、无线电通信探测和声学探测等在内的传感器（网络）,可能表现为图像、电磁、声音等。探测数据经数据融合、可视化后,标注在地图上,形成态势图。无人机集群态势图的生成为后文进行态势分析奠定基础。（2）研究无人机集群静态态势提取问题,建立静态态势自动提取框架,提出基于问答和关联规则的方法,以实现在态势分析中更为方便的人机交流。针对某一时刻或时段的态势提取,建立由预处理、视觉问答（VQA,Visual Question Answering）模型和关联规则构成的静态态势提取框架。通过在卫星图上叠加图标对态势图进行仿真,输入到框架中验证框架设计的合理性,并分析预处理、训练问题规模等与问答模型准确率之间的关系。（3）研究无人机集群动态态势预测问题,建立无人机集群运动模型并进行仿真,提出基于相互作用关系推断的方法。以Boids（类鸟）规则为核心建立无人机集群运动模型,避免复杂的动力学建模。采用相互作用关系推断（NRI,Neural Relational Inference）的“编码-解码”模型结构,从无人机集群历史轨迹中学习相互作用关系,并根据相互作用关系进行轨迹预测。通过实验验证模型的学习与预测能力,并分析相关训练参数对预测准确率的影响。