相比传统图像目标检测算法,基于大数据和深度学习的检测算法无须人工设计特征,且检测性能更稳健。在防空应用背景下,自建了空中目标静态和视频图像数据集用于训练和测试,改进了基于深度学习的目标检测框架Faster R-CNN,将其专用于空中目标检测。结合空中目标检测任务的特点和需求,提出膨胀积累、区域放大、局部标注、自适应阈值、时空上下文等改进策略,弥补了Faster R-CNN对弱小目标和被遮挡目标不敏感的缺陷,提高了检测速度和精度。实验表明,改进后的Faster R-CNN在应对弱小目标、多目标、杂乱背景、光照变化、模糊、大面积遮挡等检测难度较大的情况时,均能获得很好的效果。数据集上测试结果的平局准确率均值较改进之前提高了16.7%,检测速度提高了3倍。

为了实现飞行仿真的人在回路控制和视景可视化，建立了飞机运动/动力数学模型和气动力/重力模型实时计算飞行参数和旋转四元数，并基于Matlab/Simulink环境构建仿真模块，利用Vrealm Builder设计VRML三维虚拟现实空间用于视景可视化仿真，通过Simulink三维动画模块集将操纵设备、飞行控制模块与三维虚拟空间连成全仿真系统。仿真结果表明,仿真系统可实现飞行可视化仿真，视景界面逼真，能够准确、实时地输出飞行参数，可按照控制指令完成飞行动作，系统操纵性、通用性和可扩展性较好。

为对付机动目标, 未来空域窗射击体制应运而生。未来空域窗的设计构造, 是通过对弹丸散布中心进行合理配置实现的。提出了一种新的弹丸散布中心配置方法: 散布角均分法, 并提出了一种修正的空域窗半径计算公式, 解决现有公式计算精度不高的问题。运用仿真算例对其效果进行验证, 仿真结果表明, 散布角均分法改善了空域窗内的平坦性、扩大了空域窗的有效面积, 适于配置未来空域窗内的弹丸散布中心。

通过对目标在射弹飞行时间内机动模式的估计,可提高对目标未来的预测精度。针对进攻目标飞行航路有一定规律的特点,提出了基于攻击战术的目标机动态势估计方法。首先分析了飞行员采取何种攻击方式的影响因素和攻击战术特点,给出了用于判断目标在未来一段时间内可能机动模式的主要战术约束条件;然后采用贝叶斯网络作为推理工具,给出了构建贝叶斯网络进行目标机动态势估计的步骤;最后进行了仿真实例验证所建立模型有效性。