随着飞机火控系统和态势感知能力的提升，防御空空导弹的策略正由干扰、欺骗等被动方式，向拦截弹反来袭弹的主动防御模式演变，然而拦截弹的平均速度低、防御空间小，过载比不足以支撑传统比例导引法的精确碰撞要求，对来袭弹的轨迹预测提出了新的挑战。针对载机、来袭弹和拦截弹三体主动防御场景中拦截弹制导信息的高概率预测问题，提出了基于逆强化学习的来袭弹轨迹预测方法。首先，构建最大因果熵下对来袭弹机动时序特征提取的数学模型，并基于逆强化学习框架建立了来袭弹制导律的行为策略函数库；然后，推导了基于二次型的逆强化学习策略函数计算公式，降低了高维状态下策略函数计算的复杂度；最后，基于滚动窗口测量数据在线计算策略函数的加权系数，实时择优及自适应加权轨迹预测分布，形成来袭弹轨迹的实时预测模型。仿真验证表明，在三体主动防御场景下所提轨迹预测网络算法在“模型集/样本集外”具有强泛化能力，对复杂目标机动的动态适应性好、预测精度高，为防御来袭弹提供了可供制导使用的高概率轨迹预测模型，具有一定的理论应用意义和工程参考价值。

深度学习和计算机视觉技术的进展对航空遥感领域产生了深远的影响，使得对航空图像的分析变得更加高效。与常规图像相比，航空图像的目标边界更清晰明显、分布更规律，且具有更强的空间结构性。然而，当前的先进分割方法主要集中于利用复杂的特征提取器以捕捉更强的上下文关系，更多关注单像素分类准确度，这不仅对硬件要求较高，而且忽视了从结构层面进行边界对齐的问题。为了应对这一挑战，提出了一种创新的边界感知损失函数——Lossd，旨在提升航空遥感图像语义分割的性能，尤其在边界精度和目标分割一致性方面。创新性地将结构差异转化为损失，而非传统方法侧重关注的单像素准确性。此外，针对语义分割任务中常见的过切和少切问题，提出了有效的解决方案，并在3个大规模使用的数据集和3个基准模型上进行了广泛的实验验证。实验结果表明，文中方法在不修改原有模型的前提下，显著提升了模型的语义分割性能，在LoveDA上实现了55.8% mIoU（+1.6%），在Uavid上实现了70.8% mIoU（+0.8%），在Potsdam上实现了94.1% mF1（+0.7%），接近并部分超越了当前主流的方法。

防空反导系统（AMD）是构成国家空天安全屏障的核心要素，其目标拦截能力是决定作战效能的关键。防空反导目标拦截问题随作战发展逐步呈现目标规模大和价值差异性大和实时性要求高等特点，现有技术方法通常面临拦截策略空间随目标规模指数级增长、延迟奖励导致样本利用率低且决策过程不可解释的挑战，难以满足作战需求。为此，提出一种基于可解释分层对决式深度Q网络（EHD-DQN）的拦截策略框架。该框架采用分层网络架构，通过“上层排序—下层拦截”的分层解耦，抑制策略空间指数级爆炸并压缩决策链路；通过时间衰减多经验池，提升延迟奖励下的样本利用率与收敛稳定性；引入Grad-CAM与LIME组成的可解释模块，将解释信号嵌入训练闭环，提供可解释依据。试验表明，相较深度Q网络（DQN）、深度确定性策略梯度（DDPG）、近端策略优化（PPO） 及3类传统优化算法（滑动窗口混合整数规划（RH-MILP）、非支配排序遗传算法（NSGA-Ⅱ）、自适应大邻域搜索算法（ALNS）），EHD-DQN 在拦截数量、弹药利用与高价值目标的拦截时机等指标上取得更优表现，并能提供面向指挥参谋的透明决策依据。结果表明EHD-DQN可为防空反导指挥控制系统提供兼具高效性和可解释性的智能决策新范式。

随着无人机技术的不断发展，目标跟踪已成为无人机应用的关键技术之一。针对无人机目标跟踪中，目标易发生遮挡、形变、尺度变化以及多视角变化等问题，提出一种基于频域特征和Transformer的无人机目标跟踪算法。首先，采用蒸馏后的Transformer深度网络提取图像空间全局特征，随后利用自适应频域感知网络提取频域细节特征，同时在输入端增添学习图像作为补充，以捕获目标模块与搜索区域之间的相关性，用于更新初始目标模板，增强对目标的表征能力。其次，提出一种基于互信息最大化的多视角不变特征学习策略，通过最大化目标模板与搜索模板之间的互信息设计新的损失函数，提升跟踪网络处理目标变化的能力。最后，根据学习图像特征响应确定目标位置。仿真实验结果表明，该算法能够有效提升无人机目标跟踪的精度，具有较好的鲁棒性。

针对三维空间中多枚导弹协同打击机动目标的问题，提出一种收敛时间、攻击时间及攻击角度均可控的协同制导律。通过构建新型增益可调的预设时间稳定准则，在保证增益有界且不牺牲收敛精度的前提下，实现制导律收敛时间的任意设定。该准则引入增益可调机制，兼容定常与时变增益设计，并显著提升预设稳定时间的准确性。首先，提出了预设时间扰动观测器，无需依赖机动目标先验信息，即可在预设时间内精确估计目标加速度。其次，在视线方向，采用领导-跟随架构，为领弹设计攻击时间控制制导律，实现弹群攻击时刻的主动控制；为从弹设计适用于有向通信的分布式预设时间状态观测器，并结合预设时间状态跟踪控制器，确保从弹在预设时间内快速准确估计并跟踪领弹状态，达成多弹攻击同步。然后，在视线法向，提出预设时间视线角控制制导律，驱动各导弹视线角在预设时间内收敛至期望值。最后，通过仿真多组工况验证了所提制导律的有效性和优越性。

面向卫星严格回归轨道初始化的在轨自主性及鲁棒性运行需求，采用小推力自主制导控制方法，旨在实现卫星在给定任务时间及管径约束条件下，燃料最优的空间大范围自主轨迹精确捕获。以非奇异相对轨道要素为状态变量，基于管径偏差与相对轨道要素的映射关系，建立严格回归轨道动力学优化模型，其状态转移矩阵纳入大气阻力摄动、日月三体引力多种摄动效应。通过几何管径约束的二阶锥形式表达，构建凸优化问题，实现在轨优化的实时运行及稳定收敛。对凸优化推力指令正则处理，生成符合推力器实际开关特性的推力序列。通过嵌入模型预测控制的滚动时域优化框架，将闭环控制转化为时序迭代凸优化问题，确保空间轨迹捕获精度。

有人/无人机（M/UAV）协同是未来空战的重要作战形式，其中深度强化学习是实现有人/无人机协同空战的关键技术。然而深度强化学习的“黑箱特性”，使得学习到的策略难理解、难信任，因此具备可解释性的深度强化学习是实现有人/无人机协同智能空战的关键。提出了一种基于Bayesian-Shapley框架的深度强化学习解释方法，实现了决策过程的可解释性建模与验证分析，达到解释无人机决策依据的目标。该方法首先基于动态贝叶斯网络构建了协同任务的决策意图解析框架，能够定位航迹切片中的决策关键节点；其次采用Shapley贡献度评估算法，实现了对关键节点决策依据的状态级量化分析；最后通过重构深度强化学习模型的状态输入空间，在保持原有策略性能的同时显著提升了模型的可解释性和可信度，并通过状态空间消融仿真验证了解释结果的有效性。

小型固定翼无人机（UAVs）在林业、消防等低空经济领域已广泛应用，其任务执行常需依赖可靠的自主着陆能力。尽管着陆过程中无人机的位姿模态变化具有重复性，但受低空风扰及初始状态随机偏移影响，实际着陆轨迹易出现轨迹长度波动并威胁着陆安全。针对此问题，提出一种基于历史轨迹驱动的迭代学习控制（ILC）方案。该方案在迭代维度上，利用历史轨迹数据优化期望着陆轨迹，间接降低跟踪误差，既兼容现有飞控框架又避免频繁调参；在时间维度上，采用动态时间规整（DTW）算法对多架次历史轨迹进行非线性对齐，突破了传统迭代学习要求轨迹长度严格一致的约束，并确保了迭代收敛性。仿真验证结果表明，相较于传统自动驾驶仪，该方案使着陆轨迹的横侧向和纵向跟踪误差均降低50%以上，有效提升了自主着陆的成功率与安全性。

无人机-无人车空地协同系统在多个领域广泛应用并备受关注。无人机具有飞行速度快、灵活机动的特点，但其续航能力较差；而无人车虽然机动性相对有限，但具备强大的地面负载能力，可以作为无人机的地面中继站。无人机-无人车空地协同系统的路径规划是一个复杂且具有挑战性的问题，其目标是为系统中的无人机和无人车规划合理的路径，以便两者协同完成任务。综合考虑了无人机和无人车在速度、能量、功率以及障碍物等实际场景中常会面临的限制，突破传统空地协同系统大多侧重机载或车载的单一视角，构建了面向任务的无人机-无人车空地协同系统模型，并提出了一种三阶段优化的协同路径规划方法。具体结合元学习和局部搜索策略，提出一种元学习局部搜索遗传算法以解决协同系统模型中第1阶段全局路径生成问题；基于改进粒子滤波算法和优化时间A*算法提出时域粒子A*算法以解决第2阶段无人车避障问题；面向无人机和无人车的速度、能量和功率参数特征，基于时间约束解决第3阶段无人机充电调度问题。通过虚拟场景与真实场景数据仿真实验验证，证明了所提三阶段规划方法的有效性。

首先建立了圆型限制性三体动力学模型与高精度动力学模型，针对沿x方向轨道延拓能力较为有限的问题，提出了三角平动点短周期轨道的角度延拓法并求解出了更大范围的地月三角平动点短周期轨道族。然后，针对摄动力影响下，三角平动点短周期轨道易于发散，不利于工程应用以及并行打靶法在计算多圈短周期轨道时计算量大，收敛性难以保证的问题，提出了高精度模型下三角平动点短周期轨道的优化包络面积法和混合法等高效计算方法。最后，采用该方法对地月L4点的短周期轨道进行了分析，发现高精度模型下地月系短周期轨道包络近似于圆型限制性三体轨道但散布于包络内，以及不同历元计算的短周期轨道最终都稳定在一定范围内等特点，为三角平动点的实际应用打下了基础。

随着红外制导空空导弹制导精度和机动能力的不断提升，作战飞机通过机动规避或单一红外干扰难以有效规避红外导弹命中风险，红外复合干扰成为保障飞机生存的重要途径。针对机载末端红外复合干扰问题，提出了一种基于改进近端策略优化算法的机载末端红外复合干扰智能决策方法。从机载末端对抗场景出发，分析了作战飞机在红外制导导弹攻击下的决策约束，建立了红外诱饵弹与激光定向干扰模型，提出了一种动态非对称裁剪机制和融合时序记忆与注意力机制改进的近端策略优化算法，提升收敛效率与求解质量，设计了融合干扰手段特性的奖励函数，引入资源惩罚项，实现干扰效能与资源消耗之间的合理平衡。仿真结果表明：红外复合干扰智能决策方法能够以合理的协同方式组织红外干扰手段，在多种典型机弹对抗态势下表现出良好性能，相较原始近端策略优化算法、柔性动作-评价算法及基于预设规则的方法，在飞机存活率、导弹脱靶量和资源利用效率等指标上均具有显著优势，具有良好应用价值。

针对几何滤波结果对模型失配敏感的问题，提出了一种线性约束方法。首先，通过分析群仿射系统中模型失配对滤波过程的影响机制，揭示了标准几何滤波（如不变扩展卡尔曼滤波（InEKF））在模型失配时误差累积的本质原因。其次，设计了一种线性约束滤波方法，通过约束滤波增益矩阵在模型偏差方向上的行为来抑制误差传播，同时保持李群流形上的几何特性。该方法在保持实时性的情况下，有效提升了系统对模型失配的鲁棒性。最后，通过惯性导航与全球卫星导航系统（INS/GNSS）组合导航的仿真与实验表明：所提方法相较标准不变扩展卡尔曼滤波的估计精度上均取得显著提升，为复杂环境下的鲁棒滤波提供了有效解决方案。

制定高效的航母舰载机甲板保障作业调度计划是提升舰载机出动效能的关键。为了提升机群保障能力，对航母舰载机甲板保障作业调度算法进行了研究。首先，针对舰载机甲板保障作业调度问题的任务需求以及各种约束条件，建立了以最小化机群保障完工时间为优化目标的约束满足模型，并且对该调度问题进行计算复杂性分析，确定其属于NP-hard问题。然后，针对该问题提出了基于双向对齐技术的调度方案生成方法，并设计了一种融合蒙特卡洛树搜索（MCTS）的启发式算法来优化作业序列。该算法借鉴了蒙特卡洛树搜索的探索与利用平衡机制，结合启发式模拟策略和调度生成方法来评估搜索路径，利用蒙特卡洛树记录评估结果以引导后续搜索方向。最后，为了验证所提出算法的性能，使用随机活动网络生成器构造测试案例并开展仿真实验。仿真结果表明：相较于当前先进算法，所提算法的求解质量与求解效率均有提升。

无人机（UAV）已广泛应用于辅助无线传感器网络（WSNs）完成数据采集任务。然而，节点的时间窗约束给其带来了新的挑战，无人机不仅需要在特定时间窗内飞行至各待上传数据的节点周围，还必须在节点时间窗关闭前完成数据采集任务。不合理的路径规划会导致无人机飞行距离增加，无法保障数据的完整性采集。虽然提升飞行速度可缩短飞行时间，但无人机能量消耗过快易导致数据采集任务失败。为了解决以上问题，面向部署激光充电站的无线传感器网络数据采集场景，提出了基于时间窗约束的无人机完整性数据采集路径规划问题并进行数学建模。设计了一种基于混合动作层次表示模型的强化学习框架（H-HyAR），联合优化无人机对目标节点的访问次序、悬停偏移和飞行速度，并挖掘三者间的层次依赖关系，从而最小化无人机在数据采集任务中的飞行距离。仿真实验结果表明，H-HyAR算法在无人机飞行距离以及影响该指标因素的对比实验中的表现均优于其他3种混合动作强化学习算法和近端策略优化（PPO）算法，且具有良好的鲁棒性和泛化能力。

针对存在球状禁飞区（NFZ）约束的高超声速飞行器再入轨迹规划问题，提出了一种基于动态目标重构和混合步长控制的序列凸优化方法（SCP），使飞行器在规避禁飞区的基础上主动远离禁飞区。首先，引入势函数对球状禁飞区进行软约束建模，将再入轨迹规划问题转化为软硬约束耦合的凸子问题进行求解。其次，为解决势函数引发的数值溢出问题，降低算法对初值的敏感程度，构建“可行性-最优性”两阶段动态解耦框架：第1阶段专注于可行性求解，为后续优化生成高质量初始轨迹；第2阶段通过软约束势函数动态重构优化目标，引导轨迹在不显著牺牲主要性能指标的前提下最大化远离禁飞区。在此基础上，进一步设计了混合步长控制策略，将信赖域算法和线搜索算法融合，充分利用被拒绝步的下降信息，有效提升了计算效率。最后，通过数值仿真验证了所提算法能够保证飞行器与球状禁飞区保持充分安全距离，且相比传统信赖域凸优化算法求解速度提升95%，终端高度与终端速度的误差分别降低19倍和6倍；相较于高斯伪谱法，在求解速度提高3倍的同时，具有同一水平的终端高度与终端速度的精度，展现出良好的应用前景。

为解决雷达嵌入式通信在双选择性衰落信道中可靠性急剧下降的问题，提出了一种基于正交时频空调制的雷达嵌入式通信方法。通过模型构建、收发模块设计将REC与OTFS相结合，实现OTFS在REC通信中的应用。提出了基于抗扰动导频设计的通信信息嵌入方法，较好提升REC通信信息携带效率。提出波形匹配与符号检测相结合的接收方法，可在保持波形抗截获性能的同时有效提升通信可靠性。经过理论分析和仿真验证，该方法可在信杂比低于-25 dB条件下误码率达到10^-2以下，具备良好误码率性能，为提升REC技术在未来工程应用中的可行化程度提供有益探索。

太阳帆作为一种利用太阳辐射压力产生持续小推力的航天推进系统，因其无需消耗推进剂的特点，在深空探测等长期航天任务中展现出独特优势。基于太阳-水星椭圆限制性三体问题这一动力学模型，提出3种递进式的太阳帆指向律，使太阳帆平面由最初正对太阳，过渡到在引力平面内偏离太阳方向，再到最终偏离引力平面。利用多段打靶法进行轨道延拓计算，获得了具有不同共振比的太阳帆共振晕轨道。在3种指向策略下，分别对太阳帆的面质比、锥角与方位角进行参数延拓。结果表明，前2种策略下得到的共振晕轨道在旋转坐标系中关于XZ平面呈对称结构，而第3种策略下获得的轨道，不关于任意平面或直线对称，表现出复杂的空间三维结构，同时保持良好的周期性。最后在高精度星历模型下对轨道稳定性进行分析，结果显示所构建的太阳帆共振晕轨道在无需轨道保持的情况下，可在约4~6个水星轨道周期内（约352~528 d）维持轨道形状且不发散，具备一定的自然稳定性。

机载光电目标识别技术在现代军事领域中具有重要的应用价值，但其在复杂战场环境下的性能仍面临诸多挑战。对基于可见光和红外数据的机载光电目标识别算法进行了系统性综述，重点分析了多光谱数据融合、深度学习应用、轻量化设计以及环境适应性等关键技术的研究现状与发展趋势。通过对现有算法分类应用研究，总结了各类方法的优势与局限性，并探讨了未来研究中亟待解决的问题，如复杂环境下的鲁棒性提升、实时性优化以及小样本学习等。旨在为机载光电目标识别领域的研究者提供全面的技术参考，并为进一步的研究方向提供理论支持。

多智能体强化学习是当前实现多机自主协同空战最具潜力的方法之一。然而现有方法受限于端到端网络结构，在空战中存在多机协同性差和难以反映决策动机的关键性问题。为此，提出一种时空信息融合的多机协同空战决策方法以提升多机空战的协同性与可解释性。首先，设计了一种基于图注意力机制的空间信息融合方法聚合智能体局部观测并形成全局态势评估，增强了全连接评价网络信息融合效率和训练效率。其次，设计了一种交叉注意力和门控循环单元的时空信息融合方法聚合敌友方单元空间信息和时序信息，为策略网络融合协同性特征。最后，结合强化学习构建了时空信息融合的多机协同空战决策算法，并在高保真空战环境下进行了验证。实验结果表明：所提方法具有较强的协同性和决策动机的可解释性。

多无人机飞行自组网（FANET）凭借强大的态势感知和环境适应能力，能够在各类具有实时监测需求的应用场景中有效保障实时地面任务搜索、分配和执行。基于上述应用场景和任务需求，重点解决FANET任务自主分配阶段的实时任务调度与动态拓扑控制的协同优化难题。实时任务调度保障监测任务的时效性，动态拓扑控制确保任务和定位数据的稳定回传。首先，构建基于动态价值评估的拍卖机制与拓扑控制联合优化框架。其次，通过引入动态任务价值评估模型，实现动态的任务优先级排序与分配，同时设计基于最小维护代价的拓扑控制策略，通过选择性链路维护机制降低拓扑调整成本。最后，复杂度分析表明所提算法能够满足动态场景中的高效求解和实时优化需求，仿真实验表明所提算法在任务响应速度和拓扑稳定性方面具有显著优势，为具有即时响应和精准监测等工程应用需求的场景提供了理论支撑和技术参考。