摘要： 本系统性综述梳理了2010年至2025年间，人工智能和机器学习在航空、导弹和高超音速领域的威胁感知应用情况。在感知与识别方面，研究从可解释的雷达微动特征，发展到利用卷积-循环和注意力架构从距离-多普勒、步进频率、高分辨率距离像、点云和运动学遥测数据中学习时空结构。针对高超音速滑翔飞行器的轨迹预测越来越多地将信号分解与混合神经模型相结合，而强化学习则将武器-目标分配重构为序列控制问题。评估实践在比较方面仍然存在异质性和脆弱性，具体表现为指标不一、缺乏强有力的基线、跨流程的不确定性传播有限以及可复现性制品稀缺。在现实条件、信噪比降低、航迹丢失、非预期机动、受扰电磁环境下的压力测试研究有限。实际部署受到安全架构的制约。跨域解决方案管理数据流动，可验证的人-自主系统协同则强调可审计的行为和操作员信任。对分布偏移、传感器性能退化及对抗性操纵的鲁棒性是发展最不充分的维度，而联邦学习或边缘推理只是零星出现。确定了推动该领域向前发展的三个优先事项，即共享基准与指标、在连通性约束下运行的融合情报监视侦察，以及涵盖跨域解决方案感知数据流、以操作为中心的协同、并将鲁棒性作为首要要求的保障性设计。

关键词： 人工智能， 机器学习， 防空反导， 威胁评估， 高超音速滑翔飞行器， 武器-目标分配， 轨迹预测， 雷达信号处理， 可解释人工智能， 威胁感知， 跨域解决方案。

1 引言

防空反导正因具备机动能力的高超音速威胁而重塑，这类威胁的飞行剖面压缩了决策时间线，并使探测、跟踪和拦截复杂化。近期研究强调了高超音速飞行器特有的制导与预测挑战，包括不完整或不确定的状态信息，以及使传统控制器和跟踪滤波器失效的高度动态机动。

在过去大约十年间，人工智能/机器学习方法已广泛应用于防空反导的感知流程。在雷达方面，学习方法现在利用微动/距离-多普勒、步进频率甚至四维点云表征来针对弹道和高超音速信号特征。从模型驱动特征到用于稳健目标识别和状态推断的深度网络的这一演进，在多个文献分支中均有体现，包括弹道目标的微多普勒识别以及利用多种雷达模式的深度架构。

在决策层面，人工智能越来越多地应用于轨迹预测、制导和武器-目标分配——这是一个在作战层面解决方案延迟至关重要的组合优化问题。强化学习已被用于优化对抗机动目标的交战策略和末段制导，而学习增强的优化在资源分配和中段规划中仍很常见。

然而，任务规模的部署受到严格的安全工程约束。跨域解决方案管理跨安全域的信息流，并约束了在联盟环境中数据和模型可以如何共享、审计和执行。同时，指挥控制研究强调可验证的人-自主系统协同和可信的作战决策辅助。这些控制措施与原始模型精度一样，塑造了可行的人工智能模式。与这些约束相一致，近期SEADETEC计划的研究表明，在ARM级边缘设备上进行的、经机器学习增强的复杂事件处理，可在运营技术/物联网网络中提供早期、实时的异常检测，并已在Navantia公司的MINERVA导航/舰桥系统上得到验证，其维持了较低的资源开销，适用于断开连接或受跨域解决方案约束的部署。

可解释性和操作员信任维度同样至关重要。基础性综述和领域研究概述了可解释人工智能方法、针对深度和强化学习的后验解释，以及特定模态技术，此外还包括本身可揭示规则和结构的模糊与符号方法。在军事背景下，关于可解释人工智能的局限性和恰当定位也出现了新兴研究，主张在时间关键阶段谨慎整合以避免使操作员负担过重。特定于防御领域的可解释人工智能部署仍然有限，但邻近应用领域已报告了成熟、可转移的模式，例如基于音频的应急车辆检测和预测性变异测试，其中SHAP、LIME和排列重要性能在不显著损失精度的情况下提供可操作的归因。

同时，鲁棒性问题持续存在。对抗性和分布偏移的脆弱性已在机器学习领域被广泛记录，并且仍与射频/雷达和决策支持工具相关。这些风险与现代作战中典型的受扰通信和系统之系统依赖性相互交织。

在此背景下，证据基础在感知模态、威胁类型、算法家族和评估设置方面是碎片化的，使得难以确定该领域的重心及其最可操作的差距。为提供一个与“安全与威胁感知人工智能与机器学习”相一致的整合视图，本文对2010年至2025年间用于航空、导弹和高超音速威胁评估的人工智能/机器学习进行了遵循PRISMA指南的系统性综述，将方法、数据、评估实践、安全架构考量、可解释性和鲁棒性综合成一个能力和开放性问题的定性图景。

本文其余部分组织如下。第2节阐述了研究问题。第3节报告了研究筛选流程和文献库特征，然后提供了一个主题综合，涵盖(i)感知与识别，(ii)机动与高超音速目标的轨迹预测，(iii)制导与武器-目标分配，以及(iv)威胁评估与态势感知。第4节通过整合方法&数据、评估质量、安全工程/可解释性/鲁棒性等方面的发现来回答研究问题。它还阐述了开放性挑战与局限，并概述了关于基准/指标、约束下的融合情报监视侦察以及保障性设计的议程。第5节为结论。

2 方法

2.1 研究问题

本综述围绕三个反映威胁评估流程主要层次的研究问题构建，即感知/识别、预测/制导与资源分配，以及安全部署/保障。

RQ1 方法与数据。 自2010年以来，哪些人工智能/机器学习技术已应用于航空、导弹和高超音速背景下的威胁评估，它们基于哪些感知/数据模态运行？此问题将算法版图与实际使用的数据对应起来。

RQ2 评估质量与效度。 研究如何评估性能和可信度，特别是对于轨迹预测、制导和武器-目标分配？此问题涉及指标和设置的异质性，并检验是否提供了基线、不确定性报告和用于复现的资产。高超音速轨迹在不完整信息和剧烈机动下的预测与控制难度突显了这一需求。

RQ3 安全工程、可解释性与鲁棒性。 报告了哪些安全工程使能技术和保障实践、可解释性机制及鲁棒性评估，以及与威胁感知相关的差距在哪里？作战部署处于严格的信息安全控制和“人-自主系统协同”要求之内，这约束了可行的机器学习工作流程和制品来源。同时，在时间关键环境中，可解释性对于校准操作员信任是必要的。最后，在受扰电磁环境中，对分布偏移和对抗性操纵的鲁棒性仍然是一个实际风险，而隐私/带宽约束则推动了分布式替代方案，如联邦推理/学习。

2.2 缩略语

为清晰起见，表1总结了本综述中使用的主要缩略语。

缩略语	含义
ADS-B	自动相关监视-广播
AI	人工智能
ANN	人工神经网络
ARM	高级精简指令集计算机（处理器架构）
BVR	超视距
C2	指挥与控制
CDS	跨域解决方案
CEP	复杂事件处理
ConvLSTM	卷积长短期记忆网络
CPA	最近接近点
CVD	节奏-速度图
DRL	深度强化学习
EO-IR	光电/红外
EWT	经验小波变换
GRU	门控循环单元
GUI	图形用户界面
HGV	高超音速滑翔飞行器
HRRP	高分辨率距离像
IoT	物联网
ISR	情报、监视与侦察
KNN	k-近邻算法
LIME	局部可解释模型无关解释
LSTM	长短期记忆网络
MAE	平均绝对误差
MEBN	多实体贝叶斯网络
MINERVA	军用综合导航系统
OT	运营技术
PPO	近端策略优化
RCS	雷达截面积
RD	距离-多普勒
RL	强化学习
RMSE	均方根误差
SAC	柔性演员-评论家算法
SAR/ISAR	（逆）合成孔径雷达
SHAP	SHapley可加性解释
SNR	信噪比
WTA	武器-目标分配
XAI	可解释人工智能

表1：本文使用的缩略语列表。

3 结果

3.1 研究筛选

数据库检索最初得到993条记录。移除145条重复条目和少量撤稿研究后，保留了848条记录用于标题和摘要筛选。其中，725条因明显超出范围或非原始研究而被排除。

随后，获取了124篇全文报告进行详细评估。此阶段共排除了99项研究，其中82项是因为不包含任何机器学习或人工智能方法，14项是因为完全专注于经典控制、计算流体动力学或空气热力学建模，3项是因为纯运筹学或基于仿真且不含人工智能内容。

最终，25项研究满足所有纳入标准，构成本综述的基础。筛选流程总结在PRISMA流程图中。筛选记录的完整列表和纳入的研究在补充材料中提供。

3.2 纳入研究的特征

综述了2012年至2025年间发表的25项研究。发表年份中位数为2022年，四分位距为2021年至2023年，约80%的论文出现在2020年之后。期刊仍然是主要发表渠道，占15篇论文，而10篇贡献发表自会议。在方法论上，深度学习和强化学习方法占主导地位，有17项研究依赖这些技术，其余工作采用经典或混合方法，包括证据理论、模糊和贝叶斯框架。在主题上，文献库涵盖四个领域，其中7项关于感知与识别，5项关于机动与高超音速目标的轨迹预测，8项关于制导与武器-目标分配，5项关于威胁评估与态势感知。

3.3 主题综合

3.3.1 感知与识别

在感知和识别任务中，目标是在严苛的时间和作战约束下，从诱饵和碎片中区分出弹头。在所有研究中，雷达衍生的微动特征，特别是微多普勒/距离-多普勒特征，是主导模态，辅以步进频率雷达剖面和点云结构等高维表征。表2提供了代表性感知与识别研究的概览。

研究	模态	方法	数据
Persico 等人 (2017)	RD/CVD	手工特征+经典ML	-
Zhao 等人 (2022)	4D 点云	DL (PointNet风格)	仿真
Lixun 等人 (2024)	RD 映射/张量/轨迹	DL (ResDense, 3D+GRU)	仿真
Jung 等人 (2021)	雷达时序+HRRP	证据/模糊融合	仿真
Bhattacharyya 等人 (2015)	运动学线索	Dempster-Shafer融合	仿真
Ritz 等人 (2015)	早期遥测	ANN集成	仿真
Zhang 等人 (2022a)	异构+辐射	概率 (MEBN)	仿真

表2：防空反导中感知与识别研究概览。 缩略：RD=距离-多普勒；CVD=节奏-速度图；HRRP=高分辨率距离像；TS=时间序列；数据：Sim=仿真；Mix=混合/部分真实。

基础性工作展示了从节奏-速度图中提取的微多普勒特征的判别能力。其框架比较了伪Zernike矩、Gabor滤波器和统计描述符，表明微多普勒信息可以在中段可靠地区分弹头和干扰物。这些方法虽然有效，但受到手工特征设计和对观测几何的严重依赖的限制。

随后的进展旨在通过更高维的雷达表征来克服这些限制。有研究提出使用随机步进频率雷达生成的时间-距离-速度-功率四维点云，其中模型驱动的微动参数估计与深度神经网络相结合，能够在显著减少所需观测时间的同时，实现对不规则碎片的鲁棒识别。这种混合设计解决了低维特征图的缺点，并提高了对目标不规则性的适应能力。

近期，一项在距离-多普勒域的系统性分析评估了原始RD映射、RD序列张量和RD轨迹。作者开发了定制的深度学习架构，以利用电磁仿真数据集中的时间和时空模式。结果表明，识别准确性和鲁棒性对所选表征高度敏感，RD序列张量和基于轨迹的模型在低信噪比条件下表现优于替代方案。

补充深度模型，证据理论融合已被探索用于不确定性下的再入分类，其中广义证据理论和模糊编码整合了弹道系数和HRRP衍生长度等时序雷达特征，并将卡尔曼滤波器的不确定性传播到融合步骤中，以减少泄漏并保持较短的分类时间。

在相关方向上，一种基于Dempster-Shafer推理的运动学线索证据理论决策规则，在检测后约10秒内实现了快速空中目标分类，无需强分布假设，并且相对于kNN和决策树具有竞争性性能，旨在杂波环境中早期区分弹道威胁。

除了分类标签，近实时计算智能已被用于从稀疏的早期轨迹遥测数据中推断先前未知导弹的几何参数，其中人工神经网络集成可在毫秒级内将运动学描述符映射为直径估计，为防御算法在最早阶段提供了补充性的表征输入。

最后，引入了多实体贝叶斯网络，用于融合异构属性和传感器辐射特征以实现空中目标识别。通过对实体片段建模并添加由射频/脉冲重复频率/脉宽驱动的辐射片段，该方法构建了特定于情境的贝叶斯网络并执行联结树推断。仿真结果显示，与静态贝叶斯网络相比，其具有更好的时间一致性，并且在纳入辐射证据时，目标类型的确定性显著提高，这说明了基于片段的概率融合在防空识别工作流中的价值。

3.3.2 机动与高超音速目标的轨迹预测

与常规飞机和弹道导弹相比，高超音速滑翔飞行器的轨迹预测面临着独特的挑战，这源于其高速、远程机动性和非线性飞行模式。高度和横向机动的快速变化使预测任务复杂化，并降低了经典运动学模型的有效性。表3提供了代表性轨迹预测研究的概览。

研究	模态	方法	数据
Zhang 等人 (2022b)	运动学	EWT+Attention-ConvLSTM	仿真
Zhang 等人 (2022c)	运动学+状态线索	状态分类器+混合DL	仿真
Xie 等人 (2021)	多变量时序 (HGV)	DCBNN (Conv+BiGRU+Linear)	仿真
Yang 和 Li (2024)	ADS-B	Attention-LSTM	真实
Silvestre 等人 (2024)	ADS-B (到达)	LSTM	真实

表3：机动与高超音速目标轨迹预测研究概览。 缩略：EWT=经验小波变换；TS=时间序列；HGV=高超音速滑翔飞行器；ADS-B=自动相关监视-广播；Sim=仿真；Real=作战/真实数据；Mix=混合/部分真实。

为应对参数外推和纯线性模型的局限性，近期研究提出了明确考虑非线性依赖性和运动状态的基于深度学习的方法。一项代表性贡献将经验小波变换与注意力增强的卷积长短期记忆网络相结合。在该方案中，气动加速度分量经经验小波变换-灰色关联分析去噪，然后用于训练网络，从而能够从雷达跟踪数据中对高超音速滑翔飞行器轨迹进行多步循环预测，并相比早期方法实现了更高的准确性。

互补性工作引入了一个双模块框架，首先将高超音速滑翔飞行器的运动状态分类为八种机动类别，然后根据识别出的状态应用定制的线性或非线性预测器。这种方法将基于ConvLSTM的运动识别与混合预测块相结合，在机动状态突然变化时表现出更强的鲁棒性，在模拟雷达跟踪场景中优于基准模型。

同时，轨迹预测问题也被构建为多元时间序列预测任务。该框架通过一个两分支架构利用线性和非线性依赖性，一个由卷积层和双向门控循环单元构建的非线性分支来捕获混合的长短期模式，另一个由密集层组成的线性分支来保留参数趋势。这种混合设计提高了不同机动模型下的准确性，并通过在大型历史数据集上预训练和在观测轨迹上微调来支持近实时推断。

除高超音速特定模型外，近期民用航空研究为改善长时程预测的网络设计选择提供了可转移的证据。一项针对通用航空轨迹的基于注意力的长短期记忆网络研究表明，对飞机尺寸、爬升性能和采样间隔等输入特征进行加权，可以提高爬升、转弯和平飞段的准确性，相对于普通长短期记忆网络持续降低了均方误差，并且在包含飞机特定属性时获得了额外增益。这些结果表明，注意力机制可以优先考虑物理上显著的因素，并在不牺牲保真度的情况下减少计算量，这一特性对于具有异构平台和不规则机动的防御环境具有吸引力。

另一项互补的长时程长短期记忆网络研究基于主要终端区域的ADS-B到达数据进行训练，可预测十个步骤（对应150秒飞行时间）。该模型在输入窗口长度和隐藏层大小上进行了优化，在一个包含超过七千条轨迹的多航路数据集上达到了有竞争力的二维精度，其最佳变体在保持经度性能的同时改善了纬度误差，并具有作战可接受的飞行高度误差。该研究强调了航路无关训练和简单架构增强的价值，例如用于平滑序列的浅层全连接头，可在密集交通中实现稳定的远程预测，这与防御在传感器噪声和间隙下进行早期解冲突和前瞻提示的需求相符。

3.3.3 制导与武器-目标分配

制导和武器-目标分配问题是防御决策的关键层面，连接着轨迹估计、拦截与有限的导弹防御资源分配。这两个分支，制导律开发和武器-目标分配优化，都越来越多地采用机器学习和强化学习，这是复杂多目标对抗中对适应性、实时解决方案需求的推动。表4提供了代表性制导和武器-目标分配研究的概览。

研究	模态/状态	方法	数据
Jang 等人 (2019)	雷达+命中概率	ML (LR/MLP/SAE); 滚动时域	仿真
Wu 等人 (2022)	模拟交战状态	RL (SAC)	仿真
Liu 等人 (2023)	时间采样态势状态	RL (PPO)	仿真
Ni 等人 (2024)	部分/噪声观测	RL (Conv-DQN)	仿真
Peng 等人 (2022)	追逃状态	扰动观测器+核RL	仿真
Fu 等人 (2023)	导弹-目标交互	RL (PPO+GRU+注意力)	仿真
Wang 等人 (2025)	多平台武器-目标分配	MARL (多头注意力)	仿真

表4：制导与武器-目标分配研究概览。 缩略：LR=逻辑回归；MLP=多层感知机；SAE=堆叠自编码器；RL=强化学习；SAC/PPO/DQN=标准深度RL算法；Conv-DQN=卷积DQN；GRU=门控循环单元；MARL=多智能体RL。数据：Sim=仿真。

在武器-目标分配方面，传统的静态公式假设了固定的命中概率和预定的交战阶段。为应对此限制，引入了一种自适应武器-目标分配模型，该模型利用逻辑回归、多层感知机和堆叠自编码器等机器学习预测器，在每次雷达扫描时持续预测成功拦截的概率。通过将这些预测嵌入滚动时域框架，该方法在命中概率超过阈值时动态发射拦截器，从而提高了资源利用率，并在不确定的导弹轨迹下增强了鲁棒性。作为补充，深度强化学习已被应用于协同导弹蜂群场景中的动态多目标分配。通过将基于仿真的交战模型与柔性演员-评论家智能体相结合，这些方法捕获了实时机动、突防阶段和拦截下的重新分配，在适应性和打击效能方面显著优于启发式或基于规则的方案。

近期进展进一步改进了动态武器-目标分配公式。一个时间采样的动态模型将决策划分为固定的时间间隔，确保能持续捕获目标优先级更新。这个用近端策略优化求解的模型，相比启发式基线表现出更高的及时性和全局态势感知能力。同时，制导律研究越来越多地将经典最优控制与强化学习相结合。一项研究为不完全信息下的高超音速飞行器设计了协同主动防御制导，将目标、拦截器和防御者之间的交互建模为部分可观测马尔可夫决策过程，并通过卷积深度Q网络求解。该框架引入了时空堆叠和整形奖励，在传感器信息噪声大或部分缺失时增强了鲁棒性。另一项研究通过将扩展扰动观测器与状态跟踪核强化学习结构相结合，解决了对抗机动目标的在线导弹制导问题，在追逃对抗中在保持稳定性的同时逼近最优解。

进一步的进展强调了架构创新和多智能体表述。一个基于近端策略优化的深度强化学习框架，用于防空智能武器-目标分配，其使用门控循环单元和注意力层来捕获导弹-目标交互中的时间依赖性。分步奖励设计缓解了稀疏反馈，相对于基于规则的基线和先前的深度强化学习模型提高了总体胜率。超越单平台范围，一个带有多头注意力的多智能体强化学习模型联合分配平台、武器和目标。该表述包含了射程、库存和成本等实际约束，并且与遗传算法和启发式优化相比，在大规模场景中显示出更优的可扩展性和效率。这些贡献凸显了向数据驱动和自适应的武器-目标分配方案的明显转变，这些方案既具有战术有效性，又具有作战可扩展性。

3.3.4 威胁评估与态势感知

威胁评估和态势感知代表了更高层次的融合任务，在此必须结合传感器输入、运动学线索和条令知识，以在严格的时间压力下对威胁进行优先级排序并支持飞行员或操作员决策。两条代表性的工作路线展示了从专家驱动的模糊逻辑到数据驱动的神经学习的范围。表5提供了代表性威胁评估和态势感知研究的概览。

研究	输入	方法	数据
Coskun 和 Tasdemir (2022)	速度，高度，距离，RCS，干扰，CPA	模糊系统 (133条规则)	仿真
Dantas 等人 (2022)	BVR特征 (36个因子)	ANN (两个模型)	仿真

表5：专注于威胁评估与态势感知的研究概览。 缩略：Dist=距离；Alt=高度；RCS=雷达截面积；Jam=干扰；CPA=最近接近点；BVR=超视距。数据：Sim=仿真。

在防空背景下，模糊逻辑已被应用于将关于多样化空中威胁的专家推理形式化。构建了一个包含133条推理规则的模糊规则系统，利用目标速度、高度、距离、雷达截面积、干扰等级和最近接近点等输入参数。通过纳入许多先前研究中忽略的弹道和巡航导弹，并显式建模雷达截面积，该系统可以区分具有相似运动学但不同杀伤力的目标，为每个空中目标分配一个连续的威胁度。在18个代表性场景中测试，该模糊系统展示了准确、快速的优先级排序，并减少了复杂环境中的人为错误，从而支持了被防御资产的生存能力。

在超视距对抗的战术层面，已使用机器学习增强了战斗机飞行员的态势感知。在一项研究中，通过构造性仿真生成了一万个超视距作战场景，其中36个作战参数通过拉丁超立方采样进行变化。分别针对进攻和防御情况训练人工神经网络，准确度分别达到0.930和0.924，F1分数分别为0.717和0.678。这些模型提供了交战结果的实时预测，从而增强了飞行员对战术状态的感知，并在不需要昂贵的实兵训练或重复的高保真仿真运行的情况下改善了决策。

4 讨论

本综述描述了当前航空、导弹和高超音速背景下威胁感知的现状，然后检验了证据在多大程度上支持作战约束下的部署。整体来看，文献库显示出从可解释的感知流程，到基于学习的预测和分配，最终到支持安全可靠实际部署的工程实践的转变。

关于方法和数据，研究从基于手工描述符的雷达微动，发展到从感知流中直接学习时空结构的架构。早期流程依赖于节奏-速度图、伪Zernike矩以及将物理知识先验编码到决策中的模糊或证据规则。微动利用仍然是核心，进动、章动、摆动和翻滚提供了区分弹头和诱饵的可靠判别特征。2020年后，卷积-循环混合架构、注意力机制和双分支模型从距离-多普勒、步进频率、高分辨率距离像、点云和运动学遥测中学习，而经验小波变换等分解和去噪方法支持多步高超音速预测。运动状态识别作为一种机制出现，使预测器适应不断变化的机动状态，而混合线性与非线性分量的神经设计则提高了跨时域的稳定性。强化学习将武器-目标分配重构为序列控制，其策略随着航迹演化而自适应。专家系统在可解释性对任务至关重要时仍然存在，模糊威胁评分将速度、高度、雷达截面积、干扰和最近接近点结合为连续的威胁度，而证据理论融合在特征稀缺或嘈杂时保持不确定性显式。大规模的超视距空战构造性仿真训练预测器，向飞行员呈现交战结果的可能性，而无需全闭环模拟器。雷达仍然是主干，遥测则补充了全貌，然而在面临能量、覆盖范围和连通性权衡的现实情报监视侦察网络中，模态广度和持续性尚显薄弱。关于能效节点调度的研究明确处理了这些约束，并将感知视为设计变量。持续的差距包括标准化数据集、真实世界测量活动，以及整合合成孔径雷达/逆合成孔径雷达、光电/红外与雷达的跨模态融合。

在评估质量和效度方面，报告呈现异质性，并且对于跨研究比较通常很脆弱。识别工作通常报告合成或电磁仿真雷达的准确性或F1分数，轨迹论文强调跨时域的平均绝对误差或均方根误差，而制导或武器-目标分配研究则在定制仿真器中呈现交战效用。这些在细分领域内是合理的，但除k近邻算法、决策树或简单运动学之外的强基线并不常见，并且不确定性很少端到端传播，尽管关联、高超音速预测和序列分配本质上是概率性的。可复现性制品稀缺，这使验证负担从核实转移到了信任。在现实条件下的压力测试也很少见，信噪比降低、航迹丢失、非预期机动和受扰电磁条件很少被检验。特别是对于高超音速预测，针对真实飞行数据的评估有限，对抗性或退化测量的处理未明确指定，并且预测模块与作战指挥控制流程的整合在很大程度上未经测试。在不确定性被前置的情况下，如证据理论融合或扰动感知制导，其结果指出了更广泛领域尚未采用的一条路径。更广泛的人工智能安全文献警告，测试时的对抗样本和训练时的数据投毒是实际风险，但本集合中的领域研究并未探究这些失效模式，这为错误可能级联的轨迹预测和武器-目标分配留下了缺口。

关于安全工程、可解释性和鲁棒性，实际部署处于机密网络、联盟边界和认证体系中，这塑造了什么是可部署的。跨域解决方案形式化了访问、传输和多级安全，因此决定了数据和模型是否可以以及如何移动。在实践中，单向守卫和内容过滤器意味着流程应优先选用经过审查的模型制品而非原始数据传输，并具有从传感器接收到封装模型的全过程来源捕获和加密验证。再训练应遵循气隙节奏，使用签名数据集、可复现构建，并通过包含红队测试和验收测试的、有门控的模型审查阶段进行递进，所有这些在带宽有限、符合跨域解决方案的环境中完成。联邦更新在间歇性连接下具有吸引力，但聚合必须感知跨域解决方案，因此模型增量需要清理、严格的大小限制、版本固定和可靠的版本回滚。在这些保证难以执行的情况下，通过经过认证的通道向边缘进行集中化更新可以保持可追溯性并减少跨域暴露。情报监视侦察流程中的隐私风险也必须被明确解决。边缘推理和传感器端预处理通过将原始帧和身份信息留在传输之外，仅推送隐私保护特征或签名的模型增量，有助于最小化遥测。特征最小化和具有短期缓冲区、差异访问和目的限制的严格保留策略，减少了个人身份信息和任务敏感情境的暴露，而操作员审计追踪使得访问和覆盖操作可问责。这些控制措施与ICISSP的隐私和信任模型相一致，并通过可执行的数据最小化、来源和可审计的处理路径来补充认证。在人为方面，可验证的人-自主系统协同强调云兼容扩展、可审计行为以及通过图形用户界面介导的反馈，以使辅助与操作员信任和事后审查保持一致。军事伦理研究警告，可解释性并非万能药，具有可预测人机交互的团队设计可能比抽象的后验解释更为重要。在制导和武器-目标分配领域，该领域正从静态的、概率固定的分配方案，转向利用实时雷达和运动学数据的自适应、时间解析方案，其中深度强化学习对序列和协同决策进行建模。扰动观测器和概率预测器等估计方法与策略学习的融合，提高了不完全信息下的鲁棒性，尽管扩展到多层防御架构、用真实传感器和拦截器数据验证以及确保学习策略的可解释性仍然是开放性问题。鲁棒性是在已报告的评估中最不发达的元素，尽管有强有力的证据表明存在实际风险，但对分布偏移、传感器性能退化和对抗性操纵的测试并不频繁。联邦或边缘推理即使可以缓解带宽和来源问题，也只是零星出现。除非在设计阶段和评估中就将鲁棒性视为一等要素，否则准确性的提升不太可能转化为可信的实际部署性能。

4.1 开放性挑战

从本研究中浮现出三个优先事项。第一个与可比性有关，社区将受益于具有可发布雷达和遥测替代数据的共享基准、用于识别、时域-H轨迹预测和武器-目标分配效用的商定任务指标，以及用于不确定性校准和消融分析的标准协议。第二个与感知和集成有关，其中进展需要超越单模态流程，转向在现实的能量、覆盖范围和连通性约束下的融合情报监视侦察，借鉴传感器网络调度和边缘计算的洞见。第三个与保障有关，流程应从一开始就为跨域解决方案约束的数据流和人-自主系统协同而设计，并将鲁棒性、抗投毒性、对抗容忍性和偏移检测视为合同要求而非事后考虑。

4.2 本综述的局限性

本综合受限于语言和索引选择，因为它聚焦于英文来源和主要学术数据库。因此，小众或限制分发的报告可能缺失。跨主题的实证基础规模小且不均衡，可用的作战数据集有限，我们的推断反映了这一约束。原始研究中的可复现性限制，包括公开制品的稀缺，阻碍了对大多数结果的独立验证。

5 结论

本综述描绘了人工智能和机器学习如何在感知、预测和决策层面重塑防空反导。研究工作是有前景的，但仍然碎片化，评估实践不均衡，作战现实性有限。进步将来自共享基准和开放替代数据、在现实约束下更紧密的跨情报监视侦察模态融合，以及涵盖安全架构、操作员信任和鲁棒性的保障性设计。实际影响取决于能在性能退化传感器和分布偏移中存活，并能与指挥控制系统无缝集成的那些方法。现在的研究议程需要更少的孤立演示，以及更多能够在战场中演练和信任的端到端、可审计的工作流程。