对抗训练是当今和平时期军事训练的主要方式。传统的假想型单一化对抗训练方式受技术条件和认知水平的限制已经不能满足目前对于训练模式的创新要求。本文针对智能学习对抗训练系统中机器人的动态目标快速识别、复杂环境下路径规划方法、以及智能学习算法进行研究,主要研究包括以下几个方面:（1）针对对抗训练环境中目标位置时变的特点,提出了 一种利用光流法对动态目标生成候选区域的对抗训练目标识别方法。该方法首先利用光流法提取图像中的动态目标作为候选区域,然后通过深度卷积神经网络对候选区域进行目标识别,解决了传统方法因穷举候选区域而导致检测速度慢的问题。采用金字塔算法对光流法进行改进,利用图像金字塔对图像进行逐层分解,以迭代的方式逐步求解光流值,进一步提高了候选区的生成速度。针对传统深度学习算法收敛速度慢的问题,提出了利用归一化方法优化的深度学习算法,并在大规模数据集下进行了测试,验证了算法的通用性和有效性。（2）研究了对抗训练机器人动态复杂环境下的路径规划问题,提出一种融合全局路径规划和局部路径规划的APF-PRM混合路径规划方法。该方法采用随机路径图法生成可安全到达目标点的路径点集,利用路径点集产生“中间力”,通过改变合力解决了人工势场法陷入局部最小值的问题。针对改进的人工势场法中参数设置不当时,其路径不是最优的问题,利用粒子群算法对APF-PRM混合算法的引力、斥力和“中间力”的系数进行优化,进一步缩短了路径长度,增加了路径的安全性。（3）针对多变环境下的对抗训练问题,开展了对抗训练机器人自主学习和智能决策算法研究。首先总结了对抗训练问题的特点,针对对抗训练过程较长、对抗态势复杂、非预期情况多的特点,将基于Team Q-learning的智能学习算法引入到对抗训练中,使对抗训练机器人通过自主学习不断更新对抗策略、积累经验,找到应对各种作战环境下的最优策略,实验表明该算法成功实现了对抗训练机器人在对抗训练任务中的自主学习。（4）针对Team Q-learning算法随智能体数量增加导致的状态空间维数灾难问题,提出了一种利用可变分辨率的K-means聚类算法减少状态空间维数的TQ-Kmeans算法,通过对环境状态进行相似计算,将相似状态合并,减少了算法中状态空间的维数,解决了 Team Q-learning算法的维数灾难问题。通过实验证明TQ-Kmeans算法具有更快的收敛速度。本文基于Python开发了移动机器人对抗训练仿真实验平台,将以上研究成果应用到对抗训练中,仿真实验进一步验证了本文提出算法的可行性和有效性。该研究对促进人工智能技术与军事训练的结合发展具有一定的意义。