1. 从探测到决策：反无人机系统的演进

反无人机能力已不再是防空体系的附属补丁，正逐步成为部队防护、基地防御、机动支援及关键基础设施韧性的核心层级。美国国防部近期政策文件已将无人系统的快速扩散定性为战略性难题，而非单纯的战术问题，并将其威胁直接归因于自主性、人工智能、网络化及量产化趋势的加剧。实践中，这意味着决策者应停止争论人工智能是否应介入反无人航空系统（C-UAS），转而聚焦于其在杀伤链哪一环节能提供可量化的优势，且不引发不可接受的法律、网络或作战风险。

当前最具前景的设计范式并非“单一高性能传感器”，而是分层构建的“系统之系统”：雷达负责广域监视，射频/信号情报（SIGINT）提供基于辐射源的预警与归因，光电/红外（EO/IR）实现目标识别，声学传感在近程实施被动引导，而人工智能驱动的融合技术则用于降低虚警率、优化航迹优先级并压缩操作员工作负荷。该架构与美国陆军当前的传感器集成工作相契合，反映了向开放式体系结构的整体转型。对于构建反无人机能力的机构而言，其核心价值显然不在于单一模型，而在于开放的集成能力、通用的数据模型、适用于边缘端的推理引擎、安全的中间件，以及能够将传感器、指挥控制（C2）工作流与效应器连接为一个有机整体的验证流水线。

2. 人工智能亟待解决的核心问题

问题的本质远不止“探测无人机”这般简单。一套经得起考验的反无人机人工智能堆栈，必须在复杂杂波背景下识别微小、低空、慢速且往往廉价的靶标；将其与鸟类、友军无人航空系统或民用飞行器区分开来；在目标机动及观测断续的条件下维持航迹连续性；评估其意图与威胁等级；并支持在法律时限内做出合法的处置决策。许多无人机成本低廉，可被用于蜂群攻击或反复试探，这对操作员的注意力及单次交战成本构成了巨大压力，进一步加剧了作战负担。

正因如此，当前防务思想愈发强调机器速度的决策支持、被动与主动防御，以及能够从固定设施防护扩展至机动编队的分层架构。美国陆军的C-UAS试验现已明确要求：集成最佳传感器，降低认知负荷，并将决策速度从人类节奏提升至机器节奏，同时仍由指挥官和操作员对武力运用负最终责任。

3. 传感模态与多传感器融合

没有任何单一传感器能独立解决反无人机问题。近期综述与项目实证均指向同一结论：雷达、射频、光电/红外、声学及被动传感各自解决了探测、分类与定位的不同环节，且在不同条件下各有短板。雷达仍是全天候监视与早期航迹生成的中坚力量；光电/红外则是实现目视确认与取证级证据的最可靠途径；射频与信号情报层能够对通信协议进行分类、识别辐射源，或在具备条件时利用远程识别（Remote ID）与遥测数据；声学传感则在近距离（尤其是最后数百米）增添了一层廉价的被动探测能力。其结果强烈倾向于融合架构，而非单一的“点解决方案”。

技术前沿正从简单的传感器“堆叠”转向不同层级的显性融合。Pereira等人（2024年）对比了基于YOLOv7结合ByteTrack流水线的像素级与决策级光电/红外融合方案；Arapoglou等人（2025年）阐述了分层多传感器威胁检测与决策机制。最新的反无人机研究亦将融合划分为数据级（早期）、特征级与决策级（晚期），并对在单一模态性能退化时仍能保持鲁棒性的分层组合方案兴趣日增。对采办工作的实际启示十分明确：不仅要询问供应商是否进行了传感器融合，更要深究融合发生于哪个层级、需要何种时序假设、某一模态失效时性能如何降级，以及输出结果如何接入指挥控制体系。

3.1 传感器对比

模态	典型作用距离	实际分辨率与识别价值	优势	主要局限	典型成本与集成复杂度
雷达	多数小型无人航空系统场景下约2-5+公里	测距与测速性能优良；部分系统支持微多普勒特征以进行类别判别	全天候、昼夜可用、广域搜索、航迹起始速度快	对小雷达散射截面（RCS）目标、杂波、多径效应敏感，无融合时虚警率高	中至高
声学	嘈杂环境下约50-200米；安静环境下更远	阵列布设时测向精度高；若无融合则直接测距能力差	被动工作、成本低，适用于近程引导与冗余备份	易受噪声、风声、城市遮挡影响，作用距离有限	低至中
光电/红外	实际识别距离约0.5-2+公里，取决于光学器件	角分辨率极高；最适合目标确认与战损评估（BDA）	可实现阳性识别（PID），提供视觉证据，红外通道支持昼夜工作	受天气、雾霾、伪装、遮挡影响，原生深度感知能力弱	中
射频探测与远程ID利用	常见测控链路下约1-3+公里；远程ID条件有利时更远	协议与设备鉴别能力强；除非多节点协同，否则地理定位精度较粗	目标辐射时预警速度快，附带损伤风险低	对射频静默、自主飞行或光纤制导无人机无效	低至中
信号情报与被动射频定位	高度依赖辐射源特性与几何构型；通常可达公里级视距覆盖	支持归因、辐射源特征分析及多节点定位	对意图推断与构建网络态势极具价值	并非所有威胁目标都会辐射信号；需精确时序、基线校准及频谱专业知识	中至高

上表距离为示意值，非采办规范。数据综合自近期综述与典型系统：北约多基地雷达研究显示无人机探测距离可达5公里；射频研究表明对有辐射目标在2-3公里外仍有良好性能；光电/红外效能高度依赖光学器件与引导精度；声学系统在嘈杂环境下作用距离可能缩减至50-200米，但仍具被动确认价值。成本与复杂度系根据硬件、校准、同步及网络集成需求推断，非单一官方定价基准。

4. 贯穿反无人机工作流的人工智能模型

模型体系已按功能高度专业化。CNN类检测器与YOLO系列模型因契合严苛时延要求，仍在实时光电/红外探测中占据主导。序列模型日益广泛地用于抑制鸟类或杂波轨迹等顽固虚警。Akyon等人（2022年）展示了用于“无人机vs鸟类”判别的3D CNN、LSTM及Transformer类序列分类器；Pereira等人（2024年）将YOLOv7与ByteTrack配对使用。2025年CVPR反无人机基准测试结果显示，最具竞争力的跟踪器仍是混合系统，它们将学习型检测与运动感知关联相结合，而非依赖“纯AI”的端到端流水线。

融合模型亦日趋成熟。近期研究涵盖用于雷达-声学-视频融合的多模态Transformer、分层可见光/红外融合、射频开放集识别模型，以及基于飞行遥测数据的图结构异常检测。Dong等人（2025年）指出，多模态融合、自监督学习、面向对抗的基准测试及合成数据生成是主要前沿领域。Feng等人（2025年）将异常检测推向因果增强图神经网络，这对于识别单帧图像无法揭示的异常飞行行为、欺骗效应或任务剖面偏离尤为重要。MMAUD（2024年）数据集的价值在于，它提供了一个罕见的公开基准，包含立体视觉、激光雷达、雷达、音频阵列及用于探测、分类与航迹估计的精确真值数据。

从作战角度看，工作流更应被视为四个相互关联的AI功能模块，而非一个庞大的“自主”黑箱：

1. 探测与引导：雷达、射频、信号情报、声学或大视场视频标记候选目标，并将其移交至计算成本更高的识别模型。
2. 分类与识别：CNN、频谱图分类器、序列模型及多模态Transformer将敌对无人机与鸟类、友军无人航空系统或良性空中目标区分开来。
3. 跟踪与意图评估：ByteTrack、自适应卡尔曼变体及运动关联逻辑等跟踪器，在目标遮挡、丢失或机动时维持航迹连续性。
4. 处置支持：威胁排序与策略引擎推荐监视、移交、软杀伤或硬杀伤等选项，但决策仍需受交战规则、法律审查、空域冲突消解及系统状态置信度的约束。

5. 边缘人工智能、网络安全与对抗鲁棒性

边缘部署是众多前景光明的演示遭遇滑铁卢之处。近期关于防务系统中边缘人工智能的研究直指此点：反无人机系统常需在边缘移动监视平台上运行，而此类平台的计算、内存、电力及散热资源均受限。在军事环境下，这些约束之上还叠加了拒止、降级、断续及低带宽的网络条件，因此将所有任务卸载至远端云往往不切实际。正确的设计思路并非“更大模型、更强GPU”，而是模型分割、选择性推理、硬件感知压缩、优雅降级，以及明确区分边缘关键任务与后方分析任务。

网络安全必须覆盖人工智能与传感器的全生命周期。美国国家标准与技术研究院（NIST）2025年对抗性机器学习分类法明确界定了针对模型方法、生命周期阶段、攻击者目标与知识水平的各类攻击。美国国防部2025年《人工智能网络安全定制指南》同样主张，网络风险管理必须从AI生命周期伊始即融入其中，而非在模型训练后追加。对于反无人机系统而言，这意味着必须将传感器固件、时序与定位导航授时（PNT）、射频数据摄取、消息代理、特征库、模型工件、签名更新及效应器接口视为统一的攻击面加以防护。

作战鲁棒性亦具政策维度。北约修订后的AI战略及相关认证工作将合法性、问责性、可解释性、可靠性、可控性及偏差缓解置于防务AI的核心。就反无人航空系统而言，这转化为可审计的操作员显示界面、具备置信度感知的推荐机制、已知的回退模式，以及在系统偏离验证运行条件时的脱离或恢复能力。换言之：一个无法解释为何建议干扰或开火的系统，无论基准测试精度多高，都远未成熟到足以投入严肃部署。

6. 指挥控制集成与交战规则

人工智能不会取代指挥控制堆栈，而是成为更广泛C4ISR架构内的决策支持层。美国陆军当前的集成工作颇具启示意义。“集成传感器架构”（ISA）明确旨在通过通用标准实现不同厂商传感器的互操作，减少转换瓶颈，并降低战术边缘的时延。“下一代指挥控制”（NGC2）则以数据为中心、云原生构建，并基于开放架构。这使得《国防部指令3000.09》尤为切题，因其要求在武力使用上保持适当水平的人工判断，并辅以严格的法律审查、测试与网络安全保障。

这对电子攻击具有迫切意义。波兰民航局在GNSS干扰研讨会上的警示值得借鉴：即便是反无人机干扰事件，也可能对导航与监视环境产生更广泛的航空侧效。对系统架构师而言，这意味着软杀伤链条必须具备空域感知、频谱管理、地理围栏及全流程日志记录能力。从商业角度看，采购方应同等重视可追溯的策略引擎与权限管理，而非仅仅关注原始传感器性能。

7. 测试、验证与作战经验

测试必须远超静态准确率指标。首席数字与人工智能办公室的测试与评估框架强调全生命周期T&E与作战真实性；其核心要义在于，合理的置信度源于在真实使用的复杂环境下测试AI赋能的能力，而非孤立的实验室指标。标准化的反无人机评估工作正朝同一方向推进：探测、跟踪与识别应在不同气象、背景杂波、目标类别、虚警容忍度及决策时延约束下分别度量。

数据集与仿真至关重要，因为真正具有代表性的敌对无人机数据极难采集。反无人机挑战赛、“无人机vs鸟类”数据集及MMAUD等公共资源日益重要，因为它们使模型暴露于小目标、红外、多模态及航迹估计等问题中。但仅有数据集工作尚不充分。团队还需要“仿真到现实”的流水线、红蓝对抗、回放环境及包含欺骗、射频噪声、网络降级、操作员过载与传感器失效的网络靶场式演习。这与北约利用网络靶场与仿真开展实战化训练的做法一致，也契合当前反无人机研究向合成数据和对抗基准测试发展的趋势。

作战实例强化了这一观点。北约2023年与2024年反无人机演习均强调互操作性；乌克兰参与2024年C-UAS技术互操作性实验（TIE），明确将盟军试验与无人机自主性及互操作性的战场经验联系起来。美国陆军2025年“捕蝇草4.5”（Project Flytrap 4.5）系列演习，在北约空域内针对模拟无人机威胁测试了“探测-判别-击败”产品，并将演习构建为包含被动与主动传感器、击败选项、数据流及互操作性的联盟环境。此外，陆军近期关于FoCUS项目的C5ISR工作展示了模块化、政府所有软件的价值，该类软件能将多种传感模态集成至单一平台，降低认知负荷，并可跨梯队部署。这些均为采购方释放了强烈信号：务必要求在贴近真实的网络与联盟环境中进行试验，而非仅在晴空万里下进行“演示日”式的无人机击落表演。

8. 结语：集成才是真正的优势

反无人机系统的未来，不会由单一突破性模型或传感器决定。它将取决于将探测、分类、跟踪与决策整合为一个连贯、可靠且安全系统的能力。仅投资于点解决方案的机构将面临碎片化、时延与作战风险。而那些专注于集成、数据一致性与系统级设计的组织，将获得决定性优势——这不仅体现在探测上，更体现在可行动的决策能力上。

对防务利益相关方而言，关键问题已不再是人工智能是否有效，而是其部署方式是否具备互操作性、可解释性与作战可靠性。

参考来源：Marcin Kapuściński. AI in Counter-Drone Systems: From Detection to Neutralization. 16 June 2026. https://ttms.com/ai-in-counter-drone-systems-from-detection-to-neutralization/