随着科学技术的不断发展,高新技术武器大量运用于海上军事作战领域,同时海洋环境要素也极大地影响着武器效能的发挥。研究在特定气象水文要素环境下武器作战效能的评估问题,对于提高武器作战水平,更好地辅助军事行动决策具有重要意义。另外数据库建立初期,武器作战信息匮乏,解决这种情况下的武器效能评估问题,同时提高模型的评估精度和参考性,是很多学者的共同研究目标。为此,本文对这些问题展开了一系列研究。支持向量回归机(SVR)能较好地解决武器效能评估中出现的非线性、高维度和小样本等问题,但是武器效能受作战环境要素影响显著且不同的要素影响程度不尽相同。为了充分利用环境要素重要性差异,提高评估精度,本文提出了一种特征加权支持向量回归机(WSVR)评估模型。该模型采用基于G1法的主观法与灰色关联分析的客观法的组合权重方法来获取环境要素权重并据此改进了SVR模型,给出了算法实现步骤。最后基于实例验证并与其他模型的对比分析,来验证模型的性能。为进一步提高模型评估精度,有必要对模型实施参数优化。为了克服标准粒子群算法(PSO)易陷入局部极值、后期收敛速度慢、精度差等缺点,提高PSO算法的全局收敛能力,本文综合模拟退火(SA)算法和混沌(C)思想,提出了一种改进的混沌模拟退火粒子群(CSA-PSO)算法,并给出了算法的流程图及实现步骤。然后,基于实例分析来测试验证算法的性能,并对WSVR评估模型的参数进行了优化。最后,针对数据信息缺乏的武器效能评估问题,本文引入衍生推理机制。利用与待评估实例具有较高相似度的一种或多种武器的样本数据,从通用模型库中自适应地选择最合适的模型,通过样本训练得到该武器专用评估模型。为了提高模型的评估精度和可靠性,本文引入了评估模型的自学习机制,按照一定规则进行模型的二次训练,并更新专用模型以完成模型自学习。本文最后,基于UML建模和.NET三层架构模式,完成了武器效能衍生推理和模型自学习功能模块的设计与实现。