基于一级数据融合技术的战场监视系统给战场指挥人员提供了海量的实体层次的战场信息,而各级军事指挥人员真正关心的是兵力层次的各种作战群体,这不可避免地产生了所提供的信息与指挥人员认知需求之间的矛盾,研究者们通常把这种矛盾称为信息鸿沟。信息鸿沟是导致指挥人员认知压力的主要原因,也是当前决策支持技术的瓶颈所在。针对该问题,本文分别从概念和技术的角度研究了态势评估中的兵力聚合问题,以跨越信息鸿沟为指挥人员提供能够满足其认知需求的、兵力层次的战场信息。在认知领域及数据融合领域的相关研究的基础上,本文理清了与兵力聚合相关的概念,提出了以作战群体这一态势元素为中心的兵力聚合框架模型,并从技术上对模型中的各个功能分别进行了研究。论文的主要贡献体现在以下几个方面:1.提出了以作战群体为中心的兵力聚合功能模型。以Endsley的SAW模型为基础,结合军事决策的过程,研究了SAW在军事领域的内涵,提出了军事领域的SAW模型。从而理清了“战场态势”、“态势觉察”、“态势元素”等相关的概念。根据军事决策的过程及其认知需求,将兵力聚合的相关功能组织到以作战群体为中心的构架之下,提出了兵力聚合的功能模型。2.提出了基于单帧数据的作战实体分群方法。将实体分群问题归结为一个多假设检验问题,用遗传算法与基于案例的推理相结合的SFG算法对该问题进行求解,并对该算法的收敛性、合理性等进行了验证。由于该算法充分利用了除空间特征之外的、与特定作战群体相关的各种知识,它能更好地解决目标密集或作战群体发生交叉等复杂情况下的实体分群问题。3.提出了基于多帧数据的作战实体分群方法。在SFG方法的基础上,考虑到战场态势的动态变化特性,在考虑时间因素的情况下,本文进一步研究了基于多数据帧的MFG实体分群方法,并利用0-1规划对多帧数据中的多个分群假设的关联问题进行了建模。由于考虑了时间因素,将每一帧数据的分群决策构建在多帧探测数据中所包含信息的基础之上,该方法的分群结果会更加合理。4.提出了基于证据理论思想的作战群体类型识别方法。针对多源战场情报在概率意义上的不确定性,以及情报和知识本身在观点上的不明确性,借鉴证据理论的思想,首先提出了基于证据理论思想的情报表示方法及相关知识的模板表示方法。在此基础上,进一步提出了原始情报的组合方法以及组合得到的各组合情报的可信度计算方法。最后,给出了基于组合情报与类型模板匹配的群体类型识别方法,该方法能迭代应用于多个层次的兵力聚合过程。5.提出了基于Hough变换的线型队型识别方法。基于Hough变换的点线对偶性,首先研究了队型特征的选择与建模方法,给出了线型队型的特征点表示方法以及一类线型队型的模板表示方法。然后,利用图像空间中的折线与Hough空间中各正弦曲线交点聚类之间的对应关系,提出了基于交点聚类的队型特征提取算法。最后提出了基于队型的特征点与队型模板匹配的线型队型识别方法。