无人作战正在成为一种改变战争形态的新型作战样式,无人机集群侦察作为最具典型性的无人作战运用问题,受到了世界各军事强国持续关注,是当前亟待研究的问题。本文聚焦复杂场景下无人机集群广域持续侦察问题,提出了一种作战体系架构形式化描述和方案空间探索方法,进而研究了三种典型指控模式的集群在线任务规划问题。论文主要工作和创新点如下:（1）针对作战体系架构潜在能力不确定问题,提出了一种搜索策略最优的多项式时间架构方案空间探索算法。架构限定了集群任务范围,指定了不同复杂场景下应采取的集群指控模式。首先,基于作战体系能力生成要素,给出了作战体系架构的形式化定义,构建了作战体系架构超网络模型。其次,建立了作战体系架构方案空间探索问题模型,并将该问题转换为一种动态规划问题。鉴于此,提出了一种基于贪婪搜索的架构方案空间动态探索算法。通过理论分析和仿真实验,证明和验证了该算法是多项式时间最优的。（2）针对中心互联式弱耦合集群侦察问题,提出了一种行动链路最优的在线任务规划算法。在中心互联式集群中,联合行动链路空间随着无人机数量和规划步长的增加而呈现双指数增长。聚焦该挑战,首先将集群侦察问题抽象为多Agent部分可观马尔科夫决策过程。再者,通过扩展蒙特卡罗树搜索,提出了一种适用于弱耦合集群的行动链路在线规划算法。该算法创新之处在于并行构建局部前瞻树,且在每个局部前瞻树特定位置,采用变量消元法计算最优联合行动。（3）针对分布固联式大规模集群侦察问题,提出了一种行动链路近似最优的集线任务规划算法。在分布固联式集群中,设计简洁但高效的合作机制是重难点问题。为了解决该问题,首先将集群侦察问题建模为传递函数解耦的部分可观马尔科夫决策过程。进一步,提出了一种适用于大规模集群侦察的行动链路在线规划算法。该算法为每架无人机构建了独立的局部前瞻树,通过分布式顺次分配机制依次确定每架无人机的行动策略。（4）针对分布适变式自学习集群侦察问题,提出了一种特定条件下行动链路近似最优的在线学习与任务规划算法。未知环境下派遣集群高质量地完成任务是一项具有挑战性的工作。聚焦该挑战,首先将集群侦察问题建模为贝叶斯自适应的传递函数解耦部分可观马尔科夫决策过程。其次,基于贝叶斯学习、蒙特卡洛树搜索和顺次分配法,提出了一种适应未知环境的集群侦察方法。该方法突出特点是在灵活的协作机制下,迭代地执行在线学习算法和行动链路规划算法。