现代战争已呈现出复杂性不断增加、作战范围越来越广、参战作战单元越来越多的特点,这要求现代C4ISR系统能够融合各种战场信息,形成正确的战场感知信息,及时准确地评估战场态势,为指挥人员的作战决策提供信息支持。因此,态势估计技术已成为多传感器信息融合系统的高层关键技术。态势评估(Situation Assessment, SA)是对战场上获得的多种类、多层次信息流的高层次关系提取与综合处理、融合,更接近于人的思维过程,要涉及到众多的因素、数据、知识、规则、作战样式和条例,得到敌方兵力结构、使用特点的评判,最终形成战场综合态势图。本文对态势估计理论、主要方法进行了研究,主要内容包括:1.在分析了态势估计功能模型和定义的基础上,探讨了态势觉察阶段的主要功能和实现方法;针对不同战场事件类型的检测,分别给出了基于模糊逻辑的检测方法和基于模板匹配的检测方法;讨论了态势知识表示方法和目标分群问题,提出了基于贝叶斯网络的态势知识表示模型,详细分析了态势估计中目标分群的主要功能。2.针对不同战场环境的目标分群问题,给出了基于模板匹配的分群方法和基于模糊推理的分群方法;在基于模板匹配的分群方法中,依据海、空作战目标的状态特征值对目标进行聚类,然后采用基于模板匹配的方法对所划分的群进行分类;由于陆地战场环境的复杂性,根据所涉及的主要分群因素建立目标分群知识模型,通过模糊推理实现对陆地目标的分群和识别。3.分析了态势估计中计划识别的特点,提出了基于分层贝叶斯网络的计划识别方法;采用分层贝叶斯网络对计划进行分级表示,依据发生的战场事件和目标行为,动态构建分层贝叶斯网络结构,并将其作为证据进行推理;为了解决动态构建贝叶斯网络的推理问题,提出构建虚拟节点的方法,将底层贝叶斯网络的推理结果作为不确定证据,输入到对应的上层网络节点中,以代替该底层贝叶斯网络。4.贝叶斯网络参数的学习是贝叶斯网络应用的关键问题之一。文中针对态势估计中贝叶斯网络的参数学习问题,根据实际应用的情况,提出了基于Noisy-or gate模型的参数构造方法,从而为解决态势估计中贝叶斯网络参数的确定问题提供一种途径。