太空是信息化战场的制高点,具有信息获取和传输优势,控制了太空就控制了信息权。空间目标识别是实现空间态势感知的一个基础。由于种种观测条件的限制,单一传感器难以全面实时地观测空间目标状态,是制约空间目标识别的一个瓶颈。因此,融合多源数据进行空间目标识别是解决这一难题的重要选择。本文以本体理论为基础,围绕分布条件下多源数据空间目标识别中产生的四个科学问题,综合运用知识工程、机器学习、多Agent系统、辩论理论等相关领域知识,系统深入地研究了面向目标识别的本体建模方法、空间目标识别本体模型、面向新型空间目标识别的零样本学习技术和基于辩论的分布式空间目标识别方法,体现了较好的原创性和灵活性。本文主要研究工作及其创新包括如下四个方面。(1)提出一种用于目标识别的应用本体开发方法SPIRALS,该方法提供了一个构建目标识别本体的完整工作流程,包括:使用领域知识和机器学习知识;提出使用顺序无关的机器学习规则作为机器学习知识添加到目标识别本体,以便进一步提高基于本体的目标识别方法的性能,增强目标识别的可理解性;提出数据驱动的应用本体评估方法,用于目标识别本体的评估,并根据本体评估结果进一步改进目标识别本体。构建了基于本体的空间目标识别系统,实验表明,SPIRALS方法有效提高了空间目标识别的多项指标。(2)以面向目标识别的应用本体建模方法SPIRALS为指导,构建空间目标识别本体Onto Star。基于Onto Star集成不同的推理机制开发了空间目标识别系统Clairvoyant,包括集成通用推理机Pellet实现目标识别推理和集成专用推理机实现目标识别推理。Clairvoyant系统能够以较高准确率进行空间目标识别。在有限观测条件导致特征缺失时,Clairvoyant能够保持较高的目标识别准确率,具有较好的鲁棒性。Clairvoyant还能够给出可理解和可验证的空间目标识别过程,有助于提高空间目标识别的可解释性和可信度。与集成通用推理机实现的Clairvoyant相比,使用专用推理机实现的Clairvoyant效率更高。(3)随着空间目标研究的深入和空间技术的不断发展,新型空间目标将不断出现。这些空间目标的数据积累少,没有大量观测数据可供训练和调整模型参数。零样本分类技术利用已有观测数据学习到的知识和有关新目标的领域知识,实现新目标的自动识别。本文提出一种组合本体和强化学习的零样本分类方法CORL,该方法首先基于本体从目标类的属性描述中学习层次分类规则集,其中的规则只包含判别属性;然后使用强化学习自适应地获得一个最优策略,用于选择最具判别力的规则来进行零样本分类。CORL方法实现了新型目标的高效识别。(4)融合多源数据进行空间目标识别时,可能存在识别结果不一致的情形。本文提出多Agent合作辩论模型AABO及其论据构建方法,来实现多传感器的决策层信息融合。论据不同于证据,论据是利用证据对结论的论证,因而论据的聚集与证据的累积存在区别,更能准确地表示决策的依据。AABO模型中,不同信息源通过对感知信息的处理产生了各自不同的论据,这些来自不同信息源的论据在多Agent辩论过程中通过辩证分析实现论据的聚集,以及求精原有结论的支持度,从而获得最优的决策结果。AABO模型能够在分布式多源数据融合空间目标识别中的识别结果不一致性时,做出正确的决策结果,并且能够提供可解释的全局目标识别结果。