计算机生成兵力（Computer Generated Forces,CGF）战术任务规划是在作战仿真系统中,CGF为达到其作战目的而进行的一系列规划推理和选优决断活动,是构建真实可信的作战仿真系统的重点和难点。目前的CGF战术任务规划行为建模技术存在领域知识获取困难、战场环境不确定、行为模型过于简单等问题,针对这些不足,论文以研究CGF行为建模中战术任务规划行为模型框架为目标,重点围绕战术任务规划行为建模关键技术展开研究。论文的主要贡献及创新点如下:（1）对不确定环境中规划过程面临的重难点问题进行分析,设计了一种复杂动态战场环境下CGF战术任务规划行为建模框架,以满足不确定对抗环境中CGF战术任务规划行为建模的需求。真实战场环境中,任务规划过程面临环境信息不确定、对手行为不确定、动作效果不确定等难点。为提高规划算法对不确定环境的适应性,保证规划结果的准确性、有效性,论文设计了一种不确定战场环境下的CGF战术任务规划行为建模框架。首先,分析了作战仿真中CGF战术任务规划行为建模与其他任务规划相比的特点,从感知信息、对手判断、模型表示三个方面明确了建模需求。其次,分析并运用分层任务网规划方法作为研究问题的算法基础,设计了一种通用的不确定战场环境下CGF战术任务规划行为建模框架,从环境信息处理、对手行为分析、规划结果预测等方面详细描述了框架的关键组件与决策过程。最后,研究剖析了框架中部分可观环境下的状态评估方法、面向分层任务网的对手行为建模方法、面向动作效果预测的态势评估方法三个关键技术模块,分析了模块间的相互关系和定位,为后续具体研究工作的展开确定需求与边界。（2）针对部分可观环境中,历史信息完整与历史信息不完整两种情况,分别提出了基于历史信息的状态生成方法与基于模糊理论的状态生成方法,并与敌对规划分层任务网修复规划方法结合,从而实现部分可观环境下的战术任务规划。在实际战场中,由于存在战场迷雾,感知范围有限,对抗双方感知到的环境信息往往是不完整的。为有效解决由于信息不完整带来的状态不确定问题,提出了两种状态生成方法。首先,通过“状态-动作”信息集对部分可观环境信息进行形式化描述,分析状态动作的变化过程;其次,在基于信息集的信念状态基础上,针对历史信息完整以及历史信息不完整条件,分别提出了基于历史信息的单一状态生成方法以及基于模糊理论的单一信念状态生成方法,并将两种状态生成方法与对抗分层任务网修复规划算法进行结合,形成了适用于部分可观环境下的优化分层任务网规划算法。构建了有侦察动作与感知范围的部分可观对抗环境,对两种规划算法的有效性与效率进行了验证。（3）针对对手行为分析问题,提出了面向对抗分层任务网的隐式对手建模方法,使用基于粒子滤波的策略匹配算法对对手行为进行建模,与对抗分层任务网结合形成博弈对抗分层任务网算法,使生成的规划方案更具有针对性。对手行为不确定,是不确定环境中对规划过程影响较大的因素。为确保规划的前瞻性,必须将对对手行为的预测纳入到规划的过程中。现有智能规划算法中,为提高单步规划效率,通常对对手建模进行简化处理与假设,却忽略了对手模型的多样性与动态性。为了有效预测对手行为,提出了一种基于策略匹配的隐式对手建模方法。首先,提出了基于粒子滤波的策略匹配算法,在给定对手策略集基础上,不断迭代计算表征不同策略的粒子估计动作与实际动作的匹配程度,并基于此更新不同策略粒子的数量,直至满足获取对手稳定策略条件。其次,构建基于策略匹配的隐式对手模型,对对手下一次动作进行预测。在此基础上,将隐式对手建模方法与对抗分层任务网相结合,提出博弈对抗分层任务网方法。最后,在不同对抗环境、不同对手设置情况下,对提出的方法进行验证。（4）针对规划结果预测问题,通过对评估指标及权重进行优化设计,提出了动态分层估值网评估方法,并基于多尺度卷积神经网络对最终胜负结果进行预测,实现从整体态势上对规划的动作效果进行评估。动作效果评估,是通过对未来形势变化的预测和推理,从而判断当前动作的执行效果,为规划提供基础。考虑到环境动态变化对估值的影响,提出了动态分层估值网方法,构建分层估值网对估值因素以及因素间的相关关系进行管理,并通过动态计算因素权值,实现态势的动态评估。为解决估值因素提取困难、权重设计复杂的问题,提出了基于胜负预测的离线态势评估方法。将战场环境信息抽象为多维信息数组,提取不同时刻的态势信息与对应的胜负结果,构建多时刻状态数据集以及单时刻状态数据集。使用基于Goog Le Net的多尺度卷积神经网络模型对数据集进行学习训练,从而准确预测游戏胜负。