目标威胁评估是信息融合领域的热点和难点之一。传统的目标威胁评估需要有经验的研究人员通过雷达进行数据分析,这导致了速度慢、容错率低等一系列问题。随着现代战争中无人智能装备的增多,传统的威胁评估方式逐渐被淘汰。因此,必须要构建一整套完善的威胁评估系统,通过这种方式进行各项武器资源的优化设置,在此发展的条件之下规避各种作战目标,有效保证整体的作战性能和作战能力。在现代信息化技术发展的当今社会,各个国家面临着日益复杂的空战环境,包括目标种类也十分复杂,这些因素的存在无疑加大了防空拦截的难度。尤其是防空作战中空袭目标的威胁评估,该问题逐步成为了指挥控制系统所面临的关键性问题。本文主要研究了基于雷达数据的空中飞行目标识别与威胁度评估系统的设计与实现,针对空中飞行目标识别中的准确率较低等问题,使用循环神经网络来解决,较大的提升了空中飞行目标识别的准确率。同时,提出了一种空中飞行目标威胁度评估系统,使用贝叶斯网络以及模糊集合,以及AHP与熵权法相结合的赋权方法,在原有的基础之上不断改善和优化贝叶斯网络推理过程,提高了威胁度评估结果的可信度。具体的研究内容如下:（1）针对传统空中飞行目标识别中准确率较低的问题,提出了一种基于多层双向神经网络GRU计算单元的循环神经网络识别算法模型（Multi-dimensional and Bidirectional Gated Recurrent Unit）,简称MD-BGRU模型。将雷达探测到的飞行高度、速度、经纬度、RCS数据进行缺失数据预处理、异常数据预处理以及Savitzky-Golay滤波器对RCS噪声数据进行平滑处理后,作为MD-BGRU的序列输入数据。最终通过实验分析结果得出,相对比传统的SVM算法,有效提高了空中飞行目标识别的准确率,同时为以下威胁度评估中的目标类型维度提供了数据支撑。（2）针对空中飞行目标威胁度评估中的可信度以及时间复杂度的问题,提出了一种基于贝叶斯网络与模糊集合的威胁度求值,层次分析法与熵权法的威胁度赋权方法,使得威胁度评估中所用到的维度既有定性数据又有定量数据,同时减少了贝叶斯网络的节点个数,并使得赋权既有主观性又具有客观性,有效提高了威胁度评估得可信度。同时对贝叶斯网络的推理过程进行了改进优化,将贝叶斯网络按照一定规则转换为结构图,并通过结构图确定最优变量消元顺序,减少了各节点得计算次数,降低了推理过程中的时间复杂度。