对空中目标的及时分类与意图预测，对于作战飞机作出明智战术决策至关重要。当前主流的空中目标分类方法依赖使用时间序列数据的驱动模型。这些模型在长时段数据下表现良好；然而，在涉及快速演变威胁、要求迅速决策的作战情境中，这种做法并不现实。最小化错误预测至关重要，因为在高风险环境中，不确定性优于错误评估。本文提出一种目标分类与意图预测的综合方法，能够在威胁要求快速响应的环境中基于部分数据作出决策。在所提方法中，预测由短时序子样本生成，而非依赖整个时间序列，并通过在子样本间传播置信度来优化结果。分类器的输出通过证据推理框架进行组合，以管理不确定性。目标意图则利用基于规则的技术和基于距离的组合方法随时间融合信息来推断。由于缺乏公开可用数据集，本文生成了一个用于空中目标分类的数据集以进行评估。研究采用涉及八个目标的案例，展示了该方法的有效性，在目标类型分类和意图预测上分别达到88%和93%的准确率。

通过一个案例研究证明了该方法的有效性，该案例涉及对八种不同空中目标的分类，这些目标对本机表现出三种行为（意图）：敌对、非敌对和可疑。实验结果显示，目标类型识别的分类准确率为88%，目标意图预测准确率为93%。基于图像的作战中目标类型分类[1, 2]受限于传感器约束、遮挡以及生成逼真数据集的困难。时间序列运动数据能更可靠地捕捉动态目标行为。因此，据我们所知，本研究首次实现了一种基于时间序列的方法，利用目标运动与动态特征进行作战环境中的目标类型分类。本研究的主要贡献如下：

1）引入了一种基于时间序列的方法，利用运动特征进行目标类型分类，据我们所知，这在以往工作中尚未被探索。2）提出了一种早期分类框架，利用目标运动轨迹数据的子样本，而非像现有目标分类工作通常那样依赖整个时间序列。这种方法能够实现更快决策，并有助于缩短飞行员反应时间。3）开发了一种空中目标分类的集成方法，整合了多个标准机器学习（ML）分类器的预测以及跨时间的预测。提出了一种新方法，以减少组合多个分类器预测和跨时间预测时的误分类。当预测相互冲突时，该方法不会作出可能错误的分类，而是将置信度重新分配给一组反映预测不确定性的类别。这确保了在证据不足时，该方法以不确定性作出预测，而非进行错误分类。4）提出了一种基于规则的分类器来预测空中目标的意图，将其归类为敌对、非敌对或可疑。该模块利用来自目标分类模块的目标类型预测，以及目标相对于本机的运动特征。5）在目标意图可能迅速转变的作战场景中，成熟的登普斯特组合规则往往难以有效处理高度冲突的证据。为克服这一局限，提出了一种组合技术，引入距离度量来定量评估来源间的冲突程度。当该度量超过预设阈值时，方法自适应地修改组合规则，以更好地管理冲突。通过这样做，防止了错误预测随时间传播，从而在动态环境中实现可靠的信息融合。

本文其余部分组织如下。第二节回顾了关于时间序列分类与组合技术的相关工作，涉及空中目标分类及其他相关应用。第三节提供了时间序列分类与组合技术的背景信息。第四节描述了所提出的综合目标分类与意图预测方法。第五节概述了本文使用的数据集，以及数据生成与预处理流程。第六节展示了实验评估的结果。最后，第七节讨论了结论与未来工作建议。