随着人工智能（AI）与机器学习（ML）被集成至自主武器系统（AWS）中以执行感知、决策支持与控制功能，战争形态正经历急速转型。随着此类系统日益呈现“软件定义”特征，其网络攻击面在传感、通信、自主逻辑及人机交互界面等维度持续扩张。伴随人类监督的弱化，确保此类系统的网络安全、韧性及可靠性已成为攸关任务成败的关键。本论文探究一种数字孪生驱动的威胁建模框架——该框架将系统中心分析（system-centric analysis）与基于对手情报的方法论相结合——如何助力开展针对机器学习赋能自主武器系统的结构化网络安全漏洞评估与防御策略制定。首先，研究剖析了美陆军“机器人战斗车辆”（RCV）与空军“天空博格”（Skyborg）自主核心项目的系统架构、作战角色及网络相关漏洞。基于上述分析，推导出一套可追溯的安全与保障需求，涵盖感知完整性、通信安全、人工指挥控制接口、软件固件完整性、自主信息物理驱动以及AI/ML特有威胁，并以此为基础运用STRIDE模型开展结构化漏洞分析。继而，通过参照MITRE ATT&CK框架，将上述漏洞置于真实世界对抗行为的语境中进行定位。为支持风险评估，本研究构建了RCV-L平台的原理验证数字孪生体，以复现系统决策逻辑与功能行为，从而实现对攻击面的受控仿真并观测其对系统运行的影响。借助该框架，论文在自主系统运行语境下审视了射频与无线信号操纵、对抗性机器学习考量和信息物理接口等关键网络相关向量。研究成果展示了一种将非涉密系统知识转化为可利用数字孪生环境的方法，使其成为开展自主武器系统结构化网络安全评估的可行试验床。最后，本文探讨了所提出的这一可复用框架如何延伸至更复杂的自主武器系统架构（包括完全自主武器系统FAWS），并勾勒了随着自主性提升与人类监督减少，在威胁导向设计、测试工具链构建及未来红队测试研究等方面需考量的关键要素。

全文主体分为四大部分：第一部分将对所选平台进行详尽的技术剖析，涵盖其设计架构、作战能力及潜在漏洞，为识别关键网络攻击向量奠定分析基础。第二部分提出防御性缓解策略，并呈现高层级漏洞评估，重点揭示随着技术演进，此类系统不断变化的安全需求。第三部分详述数字孪生的构建过程，以实现对已识别威胁的受控、安全且可重复的测试。第四部分展示该方法论的应用实效，并评估其在实验室环境中推演至更先进自主武器系统架构时的适用性。随着AI集成的自主武器系统在军事行动中日益普及，其不断增长的复杂性在硬件、软件及作战技术栈各层面引入了新的脆弱性。现有安全模型往往难以应对AI驱动型网络威胁的自适应特性，亟需在对攻击向量与防御范式进行重新审视的同时，为未来研究绘制路线图。