决策层信息融合是一种能够提供判断依据和支持的高层融合技术,它通过合理分析、提取低层融合处理后的各种有用信息,针对特定的目标,基于一定的规则,采用适当的算法,获得对目标身份的最后推断。态势评估和威胁估计是决策层信息融合技术中至关重要的两部分。其中,态势评估是一个能够实时反映环境态势的多层视图,通过研究各目标实体之间的相互联系,聚合成具有一定相似行为和目的的群体目标,再综合各环境因素,做出相关的态势分析和预测。威胁估计作为指挥决断中一重要因素,也是信息融合中一个关键环节,它是通过态势评估的处理后,对前期所获得的评估结果进行更深层次的融合分析,结合各方因素,最终评估得到敌方对我方保护目标打击威胁程度的过程。本文分别对决策层信息融合中的目标分群及目标威胁估计两个关键技术进行了讨论分析,重点对其算法及应用领域进行了详细研究。论文主要包括以下内容:1、以态势评估理论为基础,首先对态势评估技术的主要功能做了详尽分析,对比讨论了几种该领域常用的融合算法。重点研究了态势评估中目标分群这一关键技术,并对比探讨了常用的几种采用目标函数的聚类模型算法。2、基于模糊聚类算法所面临的初始化现象,利用智能算法搜索能力强、灵活性强、结构简洁等良好特性,给出了基于线性粒子群优化的可能性模糊C-均值算法,并采用标准数据库中的仿真数据集对其寻优性能及划分效果做了验证评估。3、基于最陡下降的稳健自适应粒子群鲁棒聚类算法的给出,主要用于解决粒子群中的参数设置问题。该方法的提出,在很大程度上增强了粒子的搜索能力,同时提高了算法的寻优速度及适应性,并通过仿真对比结果证明了该鲁棒聚类算法良好的搜索能力和运行效果。4、研究给出了基于免疫机理的智能BP网络算法。首先,在智能粒子群中引入免疫机理,通过调节个体浓度增强其种群的多样性,防止其由于早熟或陷入局部最优最终影响问题的求解;其次,利用免疫粒子群算法获得最优权重和阀值,用此参数构建初始网络,通过训练网络,完成对目标威胁程度的估计。随后经过仿真对比分析以及应用研究,验证了算法在准确性、收敛性、稳定性以及实际应用性等几方面的有效性能。