当前以低空、隐身和高速为发展目标的飞行器技术不断提升,给现有探测监视传感器系统带来了巨大挑战。按照传统的单个探测平台独立探测的资源调度方案,已然不能解决目前飞行目标探测问题。同时由于飞行目标的机动性引起的对传感器资源调度动态性需求的增长,使现存的面向飞行目标的传感器探测资源调度方案更加鞭长莫及。本文主要以面向飞行目标的多传感器协同探测为背景,以多传感器协同探测资源调度过程中存在的问题为导向,对多传感器协同探测资源调度方法和原型系统构建开展研究,以期为资源调度问题提供新的求解思路及技术保证。主要研究成果如下:（1）研究了多传感器协同探测资源调度问题。引入了协同探测覆盖范围指标,归纳了资源调度约束条件,构建了资源调度约束指标模型。为实现对飞行目标的全域探测,基于多传感器协同探测技术构建协同探测覆盖范围指标,梳理对资源调度过程产生影响的约束条件。最后,基于层次分析法构建了多传感器协同探测资源调度约束指标模型,为后文动态调度过程模型的构建打下了坚实的基础。（2）研究了多传感器协同探测资源动态调度过程建模方法。首先,分析了面向动态过程建模的马尔科夫决策过程（Markov Decision Process,MDP）基本原理,简述了MDP建模的基本组成要素。其次,结合面向飞行目标的多传感器协同探测资源调度背景,参考MDP建模的基本组成要素,定义了相关状态变量,最后,将所涉及相关约束指标抽象为数学模型,形成评价指标,由此形成多传感器协同探测资源调度评价指标模型,最后转换为评价多传感器协同探测资源调度决策效益的奖励函数,从而构造了面向飞行目标的多传感器协同探测资源动态调度过程模型。为后续算法设计、算法验证以及算法性能比较等提供了相应标准和基石。（3）研究了多传感器协同探测资源调度方法。首先,分析了基于神经网络的强化学习的基本原理与分类。其次,为解决资源调度中存在的动态性问题,本文提出一种基于改进PPO-FCNN（Proximal Policy Optimization-Fully Connected Neural Network,PPO-FCNN）的多传感器协同探测资源调度算法。该算法优化了决策网络训练方式和算法训练架构,提高了算法稳定性,成为了一种稳定的多传感器协同探测资源调度问题求解方法。最后,通过与现存资源调度算法（如遗传算法、DQN（Deep Q Learning,DQN））的仿真求解结果对比,证实了本文所述的多传感器协同探测资源动态调度过程模型及求解算法的优越性。（4）研究了多传感器协同探测资源调度原型系统设计方案。首先,设计了由开发平台层、数据库层、基础功能层、系统功能层组成的原型系统整体架构。其次,以系统功能层为主导内容,描述了调度原型系统的四大功能模块设计理念与思路。最后,在面向多传感器协同探测资源调度的仿真环境下,实现了对传感器资源的有效调度,达到了对飞行目标和传感器探测设备状态信息的集中式管理与监控。