随着技术飞速发展,现代作战形式变得复杂多变。面对从作战环境中获取到的海量战场多源态势信息,指挥员进行实时决策成了相当困难的问题。数据源复杂多样,存在模糊性和不确定性,并且数据量极其庞大。如何从这些海量复杂的信息中排除掉无关紧要的数据信息,挖掘出有价值的特征信息,实时准确反映当前战场形势变化来辅助指挥员做出正确及时的作战决策成为当前研究的热点问题。多源数据态势评估技术能够对战场多源态势信息进行融合处理,最终建立当前战场态势评估图,帮助指挥者决策,但面对现代作战环境的复杂性,多源数据态势评估技术有待提高完善以帮助指挥者更明确当前战场事态状况并做出理性分析,更加快速、科学地对下一步计划制定出合理方案。本文以态势评估功能模型为基础,对多源数据态势评估技术中的问题及构建多源数据态势评估系统展开了深入研究。主要包括多源数据态势评估中的关于目标分群和关于目标意图识别两大关键技术中的算法模型,并设计实现了多源数据态势评估系统。研究工作内容及结果如下:1.对目标分群中的划分聚类算法进行了研究分析。针对K-Means算法存在的初始聚类中心敏感问题提出了sorted-D~2采样方法,在此基础上提出SK-Means++算法。该算法有效降低了初始聚类中心选在同一个簇的可能性,缓解了划分聚类算法易陷入局部最优解的问题,与K-Means++及K-MeansII算法相比,通过实验仿真证明SK-Means++算法聚类效果最好。针对K-Means++算法聚类结果不稳定的问题,提出了double-D~2采样方法,利用该方法提出一种新的划分聚类算法,K-MD~2算法,在近似相同时间复杂度下,在聚类准确率、稳定性等指标上都要优于K-Means++算法。针对大数据集下传统聚类算法时间复杂度较高无法满足实时性需求的问题,提出一种快速高效的K-MHMD算法,算法时间复杂度近似次线性级。在大数据集下有绝对优势。与同样次线性时间复杂度的K-MC~2算法相比,实验仿真得出K-MHMD算法聚类效果要明显优于相同时间复杂度的K-MC~2算法。最后通过采用态势仿真数据集对几种算法进行实验对比发现,对于均衡相同形状、不均衡相同形状、不同形状类别的数据集,SK-Means++算法聚类效果要优于其它算法。2.对目标分群中的模糊聚类算法进行研究分析。针对模糊聚类算法采用传统距离划分存在的问题,提出了加权欧式距离,引入皮尔逊相关系数来对特征权重系数进行动态分配,利用该方法提出了自适应可能性模糊C-均值(self-adaptation possibilistic fuzzy c-means,SA-PFCM++)算法,避免由于所有特征权重一致性带来的重要程度较低的特征对聚类结果的较大影响,有利于算法快速收敛,提升聚类准确率,并有效降低了由于空战中目标群不同簇之间距离较近出现划分错误的几率。与文中提到的两种模糊聚类算法相比,SA-PFCM++算法最稳定,聚类准确率更高。3.对目标意图识别算法进行研究分析。结合残差机制和注意力机制,提出了基于注意力机制的残差长短期记忆(Residual Long Short-Term Memory,ResLSTM)网络模型,针对LSTM网络存在的长远信息出现丢失的问题,该模型能够更深的捕捉到当前时间步上下层之间及前后多个时间步之间的关联性重要信息。实验表明,该模型识别能力要优于文中提到的三种意图识别模型。4.设计实现了多源数据态势评估系统。系统中的目标分群模块算法部分采用SK-Means++和SA-PFCM++算法,目标意图识别模块算法部分采用ResLSTM模型,并对各模块设计、态势数据存储方式详细说明,开发出一套完整的以浏览器为核心、以Django为框架的多源数据态势评估系统,与以往态势评估系统相比,该系统平台提供更加友好的人机交互界面,丰富多彩的可视化展示,操作简单,易于掌握。