随着无人驾驶航空系统（UAV）集群在实时关键任务中的广泛应用，通信基础设施不仅需满足安全与自适应需求，更须具备透明性与可解释性。本文提出一种可解释多智能体强化学习（EMARL）框架，构建智能、安全的飞行自组织网络（FANET）通信模型。该框架融合基于多智能体深度确定性策略梯度（MADDPG）算法的去中心化学习机制、基于信任的安全机制，以及集成SHAP、LIME与注意力可视化技术的可解释人工智能（XAI）工具包。EMARL使每架无人机智能体能够基于本地观测、习得策略及邻节点信任评估，自主生成兼具可解释性的路由决策。研究通过NS-3仿真网络模型、AirSim模拟无人机机动动力学，并依托Python构建MARL引擎以训练策略并实现协同决策。性能评估表明，即便在干扰与女巫攻击环境下，EMARL相较传统协议（如按需平面距离矢量路由（AODV）、基于信任路由、Q路由及标准MARL），在数据包投递率、准确率、时延、能效及误报率等关键指标上均表现更优。基于可解释性的度量结果进一步验证了该框架在提升决策清晰度与问责性方面的价值，显著增强了人机协同的可信度。消融实验证实，XAI与信任模块的引入是保障系统鲁棒性的关键。综上，EMARL框架为推动动态对抗环境下无人机集群通信向安全、可解释、可扩展方向演进奠定了重要基石。

关键词：可解释人工智能，多智能体强化学习，无人机集群通信，FANET安全，基于信任的路由。

本研究核心贡献包括：

• 提出一种基于去中心化MARL的通信基础设施，可实时适应安全攻击与环境变化；

• 引入XAI方法解析智能体决策逻辑，支持审计追踪与智能调试；

• 构建威胁敏感型奖励机制，同步优化通信效能与系统鲁棒性；

• 基于基准FANET网络与高保真无人机机动模型，在多攻击场景与机动模式下完成框架验证。

全文结构如下：引言部分阐述基于可解释MARL保障无人机集群FANET安全的研究背景、问题与挑战；相关研究综述涵盖FANET安全现状、自主网络强化学习方法及XAI应用进展；框架设计章节详述智能体通信策略、威胁建模及可解释技术集成方案；实验设置与评估部分明确仿真环境、数据集及性能指标；结果与讨论环节聚焦模型在适应性、安全性与可解释性维度的效能分析；结论部分总结研究成果，并展望未来安全透明无人机集群通信的研究方向。