随着电子、通信、人工智能、机械制造等多学科关键技术的迅速发展,无人平台正受到诸多关注,在军事和民用领域得到日益广泛的应用。然而,伴随无人平台使用场景的不断扩展,单个无人平台逐渐暴露出效率低、灵活性差、鲁棒性弱等问题,有机整合多个无人平台形成无人集群,逐渐成为无人系统发展的重要方向。无人平台间有效的协同交互是形成无人集群的关键,而实现无人集群内部的协同交互,首先要解决系统内部计算、传输等信息处理问题,这是实现无人集群运转的前提。信息的高效协同处理直接决定着集群的整体效能与实际应用效果。基于此,论文面向无人集群自主协同,围绕无人集群信息处理,以优化基于云端融合的协同信息处理效能为目标,研究无人集群协同通信、协同计算中的重要问题,突破面向无人集群自主协同的信息处理关键技术。论文主要开展了以下五个方面的研究:第一,设计了基于云端融合的无人集群协同信息处理框架,明确了论文需重点解决的关键问题。论文从无人集群的实际情况与典型应用出发,分析无人集群的系统特点与一般需求,综合二者设计了一种基于云端融合的无人集群协同信息处理框架。同时,根据从无人集群典型应用中抽象得到的系统与物理世界交互模型,发掘面向无人集群自主协同的信息处理优化关键问题,并以战场侦察监视为背景设计了具体应用场景,将关键问题具体化,为全文的后续研究界定了范围。第二,提出了无人集群数据传输链路自主协同选择优化方法。针对大规模无人集群进行数据传输时可能出现的链路拥塞问题,研究了无人集群数据传输链路自主协同选择问题,将该问题建模为一个链路选择博弈,通过严格的分析证明该博弈的纳什均衡的存在性。在此基础上,设计了一种基于虚拟博弈的分布式链路选择算法,该算法无需获知其他无人平台的当前决策,算法复杂度低,可通过无人平台独立选择数据传输链路,生成链路选择博弈的纳什均衡解。实验结果表明超过70%的无人平台可通过该方法提高自身数据传输的效用,优化了无人集群数据链路的使用效率。第三,提出了复杂网络环境下无人集群冗余数据自主协同上传优化方法。针对无人集群在执行战场侦察监视任务时,集群内存在大量冗余数据,上传冗余数据不能产生信息效用,反而会浪费平台能量与通信资源的现象,研究了无人集群协同数据传输问题,提出了一种面向长期优化的自适应分布式优化方法。该方法由关联上传决策与在线分布式调度算法组成,各个无人平台可独立地根据自有的可观测信息进行是否传输数据、传输哪些数据的决策。通过严格的理论分析与巧妙的算法剪枝,所提出的方法能在可接受的计算复杂度下使长期运行性能任意接近最优值。第四,提出了基于深度学习模型分割的云端协同计算方法。为了实现无人平台上高效的深度学习模型计算,论文考虑在无人平台数据传输链路通畅的情况下,采用云端协同的模式,通过深度神经网络分割,将包括模型训练、复杂推断等重负载的任务卸载至云中心执行,无人平台仅承担简单的数据转换任务。为了消除无人平台传输数据时带来的数据安全与隐私风险,论文设计了一种新的满足差分隐私准则的扰动方法,相比传统扰动方法更加灵活、更适应神经网络的层级结构;同时,为了降低本地扰动对云中心后续推断的影响,提出了一种噪声训练方法来训练云中心网络,增强云中心网络对噪声的鲁棒性,优化模型计算性能。实验结果表明,在计算性能受极小影响的情况下,所提出的方法可以降低超过60%的资源消耗。第五,提出了基于知识萃取的计算模型云端协同训练方法。为了实现无人平台在数据传输链路断开情况下,仍能进行深度学习模型计算的目标,研究了在云中心训练一个可直接部署的深度学习精简模型的方法。该方法遵循教师-学生训练模式,将嵌入于复杂、庞大的教师模型中的知识分阶段地萃取并转移到学生模型中,以提高压缩的学生模型的性能。同时,为了保护原始训练数据与原始模型的安全与隐私,所有转移到学生模型上的知识均被施加满足差分隐私准则的扰动。此外,设计了新的查询样本选取方法,在保证性能的前提下,显著减少教师模型被查询次数,增强数据安全与隐私保护。实验结果表明,该方法以损失少于1%准确率的代价,获得20倍模型压缩和19倍计算加速的优化效果。