生物体运动的视觉加工受到了研究者的长期关注,而运动生物体的意图识别是该领域最重要的课题之一。研究发现运动的方向、眼睛和面孔的朝向等线索是动态场景中意图识别所依赖的关键信息。然而,意图识别的具体信息加工机制及其过程尚未完全探明。本研究结合新兴的人工智能技术,提出一个动态场景中意图识别的计算模型,读取场景中客体的运动信息并计算后输出其意图信息。该模型以概率图模型(Probabilistic Graphical Model)的相关理论和技术为基础,分为状态、信念和行为三个主要部分,随着时间进程,三个部分将不断交替更新。结合马尔科夫动态过程(Markov Dynamic Process,MDP)的数学方法,该模型可以推理出信念的最优分布,即识别出运动客体最有可能的意图。以"逃脱追逐"任务为例,该任务要求从一系列运动小球中识别出追逐者,并控制一个代表自己的小球逃脱追捕。每隔一段时间,意图识别模型根据小球运动信息将追逐意图概率最高的对象标记为追逐者,并据此制定行动策略,使所控制的小球能逃脱追捕。在该任务中,模型获得了与人类表现相似的结果。上述模型描述了人类意图识别的内在推理过程,模型对意图的更新过程较为真实地还原了动态场景中人与环境实时交互的认知过程。值得一提的是,最近研究表明人类的视觉过程以层级的方式表征运动信息,在我们的模型中采用相似的结构表达状态信息,同样优化了模型的绩效。本研究结果表明,采用计算建模方法探讨认知心理学问题有助于更好揭示内在的认知机制,为打开心理过程的黑箱提供了新的方法。