无人机多次在现代战场中展现了其突出的军事优势,受到了国内外广泛关注。威胁评估是无人机任务规划系统的核心部分,但在实际战场上,可以获取的数据量是有限的,严重影响了无人机威胁评估的建模质量。因此,本文采用贝叶斯网络(Bayesian Network,简称BN)对小数据集条件下建模方法进行了研究。本文的主要研究内容如下:(1)针对经典鸟群算法易于陷入局部最优的问题,提出了改进的鸟群算法。首先,引入自适应惯性权重,自适应调整搜索空间,使算法易跳出局部最优;其次,根据适应度值将鸟群划分为生产者和跟随者,加快了算法的收敛速度。最后,通过对典型测试函数的数值实验,证明了改进鸟群算法的有效性。(2)本文将改进鸟群算法与专家约束结合用于小数据集条件下的BN结构学习,提出了小数据集条件下基于改进鸟群算法的BN结构学习算法。小数据集蕴含的信息不全面,专家约束可以弥补信息的不足,改善改进鸟群算法的初始网络和搜索过程。本文在小数据集条件下,利用Chest Clinic网络、Animal Characteristics网络和Car Diagnosis网络对本文算法、基于经典鸟群算法和粒子群算法的BN结构学习算法得到的BN结构进行比较。仿真实验结果表明,在小数据集条件下,本文所提算法得到结构与真实结构更接近。(3)以无人机自主侦察战场环境想定为仿真背景,基于无人机实时采集的观测数据,结合相关专家领域知识,利用本文算法构建无人机威胁评估模型,再采用BN参数学习中的最大似然估计算法进行参数学习。最后,应用联接树算法进行推理计算,验证了建模算法的有效性。本文首先对经典鸟群算法进行了改进,提高了算法的搜索效率;其次,将改进的鸟群算法应用于BN结构学习,结合专家约束,提出小数据集条件下基于改进鸟群算法的BN结构学习算法;最后构建了无人机威胁评估模型,证明所提算法的有效性。图32幅,表16个,参考文献74篇。