随着信息化战场的发展,战场上需要感知的信息和事件越来越多,这些信息所特有的复杂性、分布性、海量性以及欺骗性对于人工实时分析战场情况产生了极大的阻碍作用,使得战场指挥员很难获取精确的战场描述,丧失了把握战场局势的先机。如何对诸多传感器以及其它渠道获取的情报信息进行融合处理,利用计算机处理技术智能化地对战场目标的态势意图进行推理显得愈发重要。传统态势推理过程中存在知识库可表达逻辑有限、多平台间知识语义不规范、推理模板构建复杂等问题。针对以上问题,论文围绕“态势知识表示——战场数据交互共享——态势推理算法改进”的思路展开研究。其中知识表示主要对战场逻辑进行表述,此部分本文改进了态势建模方法;战场数据部分可结合本体知识库完成不同平台数据的交互共享,此部分本文提出数据可分类为直接数据和间接数据;态势推理算法主要对战场态势进行推理,此部分本文提出了基于模板—贝叶斯网络的融合推理算法。本文的主要工作包括:1.针对战场态势的知识表示问题,通过对常用知识表示方法进行比较,结合战场环境的需求,确定本体作为本文的知识表示方法。在此基础上分析了战场环境中的态势要素,结合战场作战逻辑和领域特点对经典态势本体模型的构造方法进行了改进并给出了具体实现步骤,完成对本体知识库的构建。本体知识库构建主要为战场作战逻辑做出描述,并为之后不同平台间统一的知识语义表述提供逻辑基础。2.针对战场数据类型繁杂的问题,本文首先通过分析战场中的数据类型,提出将战场数据分为直接数据和间接数据,并进一步细化了数据组成类型,旨在完成对战场底层数据的提取;其次,根据分类结果和战场作战规则,对数据进行归类并采用关系数据库完成了战场数据的结构化存储;最后,将单平台数据库转换为单平台本体模型,再将单平台本体模型整合入战场本体知识库,由此实现了多平台逻辑互通以及语义的统一规范,为战场数据的交互和共享提供一种合理可行的方法。3.针对战场态势推理问题,本文介绍了基于模板匹配的态势推理算法、基于BP神经网络的态势推理算法以及基于贝叶斯网络的态势推理算法,实现了以战场数据作为输入,态势模式作为输出的推理机制,并给出了推理结果仿真,通过仿真结果对三种方法在态势领域中的推理优劣性进行比较,结合模板匹配算法具有推理高时延高准确度、贝叶斯网络算法低时延低准确度的特征,提出利用两者进行补偿修正的“模板—贝叶斯网络融合推理算法”,为指挥员提供一种准确、实时的态势推理方法和工具。