在实际作战时,指挥员需要快速、准确地处理战场情报数据。随着作战信息化程度的提高,指挥员难以在高维、海量的战场情报数据面前做出战术决策。因此需要一些技术手段辅助指挥员进行指挥决策。态势估计可以在底层传感器数据融合的基础上完成战场态势推理,研究态势估计技术将战场环境转化为态势图,让指挥员及时掌握战场态势走向。因此本文从态势估计的问题出发,在传统的态势估计技术的基础上进行改进,从而提高态势推理的效率和态势推理的准确性。本文首先在分析态势估计发展状况的基础上,从战场群目标出发,完成对战场态势要素的提取、事件检测和目标分群等工作;接着研究了模板匹配技术,分析并建立了几种典型的态势模板,通过引入最大公共子图问题实现模板匹配;针对战场态势由当前时刻和历史时刻共同决定的特点,引入长短时记忆网络(LSTM)实现态势推理,最后提出了基于组合智能的态势推理算法。主要工作如下:1.针对战场态势的数据处理问题,本文通过对战场态势的分析,从静态、动态和辐射源三个方面提取态势要素。然后将战场事件检测分为基本事件检测、机动事件检测和辐射源事件检测,其中基本事件基于目标一段时间内的运动状态来判断,机动事件在基本事件基础上对运动过程进行划分,组合各个部分的基本事件来完成机动事件的检测。传统的基于聚类算法的分群算法无法全面的表现目标之间的关系,因此本文将目标静态特征和动态特征结合,从而综合判断目标之间的群组关系。2.针对态势推理中模板匹配算法,本文在研究模板匹配原理和模板结构的基础上,分析了敌方的作战方式,对目标的属性和运动特征离散化处理,建立了攻击、追踪、侦察、集结和巡航等五种典型的态势模板。通过引入最大公共子图问题,将模板匹配问题转化为求解图的相似度,将实时的战场观测数据与模板进行图的相似度计算。该方法避免了使用证据理论进行匹配时在证据收集和表示方面的困难。3.针对战场态势的时序性特点,本文利用LSTM网络在处理时序问题上的优势,建立了基于LSMT的态势推理算法,挖掘战场历史时刻和当前时刻对当前态势的影响,使得推理结果更加可靠,并通过原始数据——态势推理和事件检测——态势推理两种方式来使用LSTM态势推理模型。在此基础上,将模板匹配算法和LSTM推理算法结合,提出了基于组合智能的态势推理算法,该算法对分别独立使用模板匹配算法和LSTM推理算法推理结果进行冲突检测,并通过对检测结果的分析和折中,弥补了战场数据缺失时LSTM推理算法的不精确和模板匹配时模板库不完善的缺点。