技术进步与人工智能在军事领域的加速渗透，凸显出探索新型空优战术的迫切需求。可消耗自主无人作战飞行器（AUCAV）的部署为维持空战优势提供了潜在路径。传统空战机动训练依赖人类飞行员积累的实战经验，而定向能武器（DEW）等新型装备则催生了尚未充分开发的战术可能性。本研究借助仿真、集成与建模高级框架，探索强化学习（RL）技术在植入空战视觉范围内（WVR）机动决策问题的AUCAV智能体行为优化中的应用。研究将2v2 WVR空战机动问题建模为马尔可夫决策过程（MDP），其中友方AUCAV配备定向能武器并在六自由度（6DOF）环境中运作。核心方法论采用双深度Q网络强化学习算法，对两架友方AUCAV进行集中式训练。通过分阶段学习策略：初期采用密集奖励环境加速基础训练，后期切换至稀疏奖励环境激发自适应与涌现行为，构建系统性训练框架。研究设计典型实验场景评估不同DEW配置下AUCAV作战效能，为后续研究提供基准。通过对学习所得机动战术的定性分析，以及DEW武器参数四因子全析因实验的定量评估，验证强化学习解决方案的有效性，并揭示其对未来武器概念开发的启示价值。

本文结构如下：第二章综述空战机动问题、强化学习解决方案及仿真环境相关研究；第三章阐述2v2空战机动问题建模方法，提出MDP形式化框架，并详述机动战术学习智能体的强化学习实现路径；第四章展示学习机动战术的定性分析结果，以及DEW武器参数四因子全析因实验的定量研究成果；第五章总结研究成果，并提出未来研究方向的战略考量与技术路线。