近年来基于大数据驱动的智能算法在空战及相关应用领域受到了极大关注,被认为是未来智能空战的核心。然而当前可用的空战数据稀缺或者涉密,严重限制了相关智能算法在该领域的进一步研究和应用,因此通过计算机自动生成有效可行的空战数据对空战智能算法的研究至关重要。本文针对这一问题提出了一种基于自注意力改进的时空Transformer结构和时间序列GAN网络相结合的方法,生成了可供相关下游任务使用的空战数据,其典型的格式为包含经度、纬度、高度、马赫数、垂直速度、攻击角、滚转角速度和机械能等8个属性的时间序列。首先,受Time GAN处理时间流数据的方法启发,本文提出了一种改进的Time GAN网络框架,即在原有Time GAN中:（1）加入了监督器模块,将生成器生成的潜在向量进行矫正,使其更接近来自原始数据生成的潜在向量;（2）修改了判别器的学习空间,即判别器对潜在向量的恢复进行辨别。整个框架继承了无监督训练与监督训练相结合的优势,可以有效地学习数据的逐步条件分布和潜在动态。并且由于监督器的加入,网络训练更加稳定,在较小的迭代次数上就可以达到很好的结果。其次,针对上述改进的Time GAN框架中各个模块采用的模型并不能捕获数据的空间特性,本文设计了一种基于自注意力的时空Transformer结构（Spatio-Temporal Transformer,STTF）,它可以更有效地学习数据的时间特性和空间特性。STTF由时间Transformer和空间Transformer并联连接后,再通过一层全连接层组成,用于替换相应的模块。其中时间Transformer用于学习空战数据不同时刻同一特征之间的时间关系,空间Transformer用于学习空战数据不同时刻不同特征之间的空间关系,全连接层将学习到的时间特征和空间特征进行线性融合得到输出。最后,根据以上改进,本文设计了一种新的损失函数,由恢复损失、监督损失和生成对抗损失线性加权组成。其中恢复损失为原始数据和潜在向量重建后的数据之间的均方误差,其作用是在充分学习潜在向量的同时,也使潜在向量更好地恢复到原始数据;监督损失是计算来自生成器生成的潜在向量经矫正后的输出与真实潜在向量之间的均方误差,它不但使生成器更好地生成接近真实数据的潜在向量,还能够学习数据的逐步条件分布,从而更加有效地生成真实数据;生成对抗损失是对恢复器输出的数据采用Wasserstein距离进行计算,进一步稳定了生成对抗网络的训练过程。本文网络理论上可生成任意规模任意长度的时间序列空战数据,本文实验中生成和使用了约7000条8时间节点长度的空战数据序列,并通过可视化和判别得分分析其与原始数据的相似性,预测得分分析其有效性。本文提出的基于STTF结构的方法相较于原始Time GAN方法在这两个方面均表现出色。其中在飞机位姿预测任务实验中,以均方误差作为预测得分,本文方法可提升5.71%以上精度。