在作战指挥过程中，指挥员必须根据敌我双方的态势，快速、准确地判断出敌方对我方的威胁程度，以取得战争的主动权。然而，现代高科技战争错综复杂，通过目标评估获取的目标信息具有不确定性，单凭指挥员个人的才能，很难迅速、准确地进行威胁评估。因此，迫切需要提供智能的目标威胁评估手段来辅助决策。论文以战场中典型的联合防空作战为背景，针对空中目标的不确定性特点，利用能够兼顾模糊性和随机性的云模型进行目标威胁评估属性表示，分别从逻辑推理和贝叶斯网络两种思路出发，提出两种基于云模型理论的空中目标威胁评估方法。论文的主要贡献包括以下三个方面：(1)从能力、意图、机会三个方面进行分析，建立了空中目标威胁评估属性集合，并对定性属性进行量化处理，对定量属性进行归一化处理；定义了云群、云族、云三层隶属关系，对目标威胁评估属性进行云模型转换，建立空中目标威胁评估属性云模型，并根据各属性的云模型设计相应的前件云发生器。(2)将云推理技术引入威胁评估领域，提出一种基于MIN-MAX云重心推理的目标威胁评估方法。首先，根据空中目标威胁评估属性云模型，对前件云发生器进行初始化；然后，依据专家经验，构建推理规则库，并设计MIN-MAX云重心推理算法，将归一化属性值输入相应的前件云发生器，生成属性云滴，通过由下而上地逐级推理，得到威胁度云滴；最后，为消除属性值的不确定性对总的威胁评估值的影响，进行多次重复推理，将多个威胁度云滴输入逆向云发生器，输出的期望作为最终的威胁程度。通过对20批典型空中目标的威胁评估仿真，验证了该方法的有效性。(3)将云模型和贝叶斯网络相结合，构建云贝叶斯网络，提出了基于云贝叶斯网络的目标威胁评估方法。首先，根据联合防空作战背景，确定空中目标威胁评估的贝叶斯网络结构，并对连续型观测节点进行云模型转换，使网络统一为离散型贝叶斯网络（称为云贝叶斯网络）；其次，依据客观知识和专家经验，或者通过充分有效的样本对云贝叶斯网络进行训练，确定各节点的条件概率表；再次，将观测变量值输入云贝叶斯网络，通过推理得到目标属于各个威胁等级的概率；最后，进行多次重复推理，通过概率合成和综合云生成方法求得最终的威胁评估值。实例仿真结果验证了该方法的有效性。