当前无人机技术飞速发展,在军事领域的应用范围与深度更是突飞猛进,无人机所需要面临的环境越来越复杂,对无人机自主技术同样提出了越来越高的要求。自主技术涵盖“观测”—“判断”—“决策”—“行动”等四个方面,称为“OODA”环,而其中自主决策技术,作为无人机自主控制技术的关键技术之一,其策略的可靠性决定着无人机任务的成败。目前,基于贝叶斯网络的决策方法因其强大的逻辑推理能力在无人机自主决策领域得到了广泛应用,但仍然存在网络结构与参数固定,无法有效适应动态场景的情况。为了改进这一问题,本文以无人机自主决策任务为背景,以获得符合实际动态场景的决策结果为目标,研究基于一种参数时变离散动态贝叶斯网络模型的无人机推理决策方法,并提出了对应的参数估计与参数学习方法。本文主要工作及贡献如下:（1）分析了无人机自主决策任务场景中存在的各类要素与其对应特点,对自主决策特性进行了分析,在此基础上将其与贝叶斯网络进行了类比。首先以无人机任务背景为立足点,分析典型无人机任务决策场景要素与特点,并对场景中攻击单元、防空单元、攻击目标、气象地理环境四种要素进行了分析;然后对无人机决策特性进行分析,特别是针对任务过程中的不确定性,复杂性进行深度剖析;最后结合上述分析,对贝叶斯网络与无人机决策任务中内在特点进行了类比,详细研究了利用贝叶斯网络方法对无人机决策进行推理的可靠性和依据。（2）针对参数时变的特点,进行参数时变离散动态贝叶斯网络建模,同时引入滤波算法,进行网络参数估计。为了应对复杂的任务环境,特别是包含时序因素的各种非稳态系统,提出了一种参数时变离散动态贝叶斯网络模型并给出了推理框架,针对信息误差与干扰,在结合滤波算法的基础上,提出了一种网络参数估计方法。论文首先形式化描述了结构不变条件下的参数时变离散动态贝叶斯网络的一般数学模型,并给出了推理框架;其次,创新性地将参数时变离散动态贝叶斯网络模型的推理决策过程与滤波过程相结合;然后,在不同时间片输入相同证据值进行参数估计,并且加入重采样避免发生粒子退化现象。最后,利用一阶隐马尔可夫模型,在网络参数不同变化情况下开展了参数估计实验,结果表明该方法能够实现对时变网络参数的有效估计。（3）结合无人机自主决策任务面临的复杂动态情况,提出了一种基于参数时变离散动态贝叶斯网络的无人机决策任务参数学习方法,并在仿真环境中进行测试。当前无人机面临的任务场景越来越复杂,需要面对的动态变化情况也越来越多样,参数时变离散动态贝叶斯网络模型为无人机的推理决策提供了一种方法,但是贝叶斯网络推理决策的准确性很大程度上依赖于网络参数的准确性,本文通过分析滤波过程中建议密度函数的选择对于该方法效果的影响,同时对贝叶斯网络的参数学习进行研究与探索;其次,然后通过对多项式分布、狄利克雷分布的探索和研究,选取其作为粒子滤波过程的建议密度函数,实现参数学习;最后将改造后的参数学习方法运用于设计的无人机决策任务背景当中,进行仿真实验,和传统贝叶斯网络、动态贝叶斯网络对比,提高了决策的准确性和可靠性。（4）结合本文提出的参数时变离散动态贝叶斯网络方法,利用《星际争霸》平台及相关接口对无人机自主决策任务进行仿真测试。为了更好地验证本文方法在无人机自主决策任务中的效果,在简单仿真的基础上,本文在《星际争霸》测试平台环境的基础上,提出了面向参数时变离散动态贝叶斯网络模型的无人机自主决策方法测试环境。本文首先介绍了暴雪公司提供的《星际争霸》测试平台、BWAPI测试环境、Torch Craft接口,以及集成了贝叶斯网络各项功能的PGMPY工具包;其次,设定了模拟无人机决策任务的环境背景与参数,包括游戏地图、模拟无人机单元的行动集合与决策选择等内容;然后,采用“服务器—客户端”架构搭建综合测试环境;最后,使用前文中提出的参数估计方法与参数学习方法,在该测试平台环境中进行无人机任务决策的仿真环境测试,验证了方法的可靠性。