本研究旨在利用一种动态的、基于人工智能的学习模型，实现防空系统中威胁评估与目标分配流程的自动化。与文献中使用不同标准和方法进行的威胁评估研究不同，本研究综合了缺失数据补全、多准则分析和人工神经网络，以动态更新威胁评分。此外，与文献中的研究相比，本研究增加了所使用的准则数量，使模型能够提供更广阔的视角。大多数研究是静态的，且使用少量准则；本研究提出了一个能够处理不完整数据的动态多准则模型。所开发的“综合几何威胁分数”为威胁评估提出了一种平均视角，该视角因个体和地理条件而异。该模型利用从雷达和传感器获取的准则数据生成威胁分数，并能自适应地响应不断变化的条件。所取得的成果显示了高性能，均方误差在0.0005至0.0072之间，相关系数高于95%。该方法加速了防空系统中的决策支持过程，减少了人为影响并提高了系统效能。

防空系统中的威胁评估与武器分配是作战环境下决策者最关键的流程之一。这些决策通常在有限时间内做出，并且需要同时考虑多个变量。因此，基于人工智能的方法对于减少人为相关错误和建立更快的决策机制正变得日益重要。传统方法往往难以动态适应不断演变的战场条件和新出现的威胁。本文提出了一种新颖、动态的威胁评估模型，该模型使用人工神经网络对空中目标进行优先级排序。该模型基于从文献和专家意见合成的综合数据集进行训练，涵盖了26个不同的威胁准则。一项关键创新是开发了“综合几何威胁分数”，该分数将从文献获得的威胁值与基于准则重要性的加权分数相结合，为人工神经网络训练奠定了坚实基础。实验结果表明该模型具有高性能，在不同数据划分下的回归分析R值约为0.95，且均方误差较低，突显了其在预测威胁等级方面的准确性。研究得出结论，这种聚焦人工智能的方法可显著提高决策速度和准确性，减少人为错误，并为网络中心化防空系统中的自动威胁优先级排序提供一个可扩展的框架。本研究考虑了更多准则，以填补文献中的空白。使用了一个包含26个准则的综合数据集。它为可能因地理条件或个体而异的威胁评估提供了平均视角，首次识别了准则之间的关系，执行了缺失数据补全，并在动态结构中提供了更具可验证性的训练集。