在人工智能研究领域,计划生成问题是研究热点之一。计划是指挥决策的重要内容,尤其在作战领域当中,现代战争形式逐渐转向以网络为中心的信息化联合作战,作战计划的自动生成是其中重要的一环。计划制定的关键步骤就是合理规划行动序列（Course of Action,COA）。COA本体作为描述计划相关概念的知识模型,为行动规划提供支持。传统的计划生成技术是对COA本体中的行动、状态实例进行匹配,组成行动序列方案,实现从初始态势向期望态势的转化。随着海、陆、空、天、电多维联合作战的发展,网络化作战数据信息不断丰富,使得包含行动、资源、态势的作战规划环境更为复杂,COA本体规模也随之增大。面对不同任务目标,本体中的无关知识数据增加了行动序列生成的复杂度。并且在面对大规模作战数据时,状态搜索空间呈指数级增长,传统的计划生成技术已经不能满足复杂的战场需求。本文研究重点主要针对两方面:一方面是针对不同的任务目标在COA本体中过滤掉不相关的行动实例、状态实例等以缩减规划问题规模,另一方面是利用分层任务网络（Hierarchical Task Network,HTN）规划技术解决大规模COA本体下的行动序列生成的效率问题。主要研究内容如下:（1）利用本体过滤方法缩小规划问题的规模。COA本体中包含丰富的计划相关领域知识,主要包括具体行动、行动执行的前后序状态以及用于度量状态、效果的指标。不同任务目标所需的行动、状态等领域知识也不尽相同,直接基于COA本体中所有领域知识进行规划不是最优的。本文首先对COA本体概念体系自顶向下进行了细化,扩展新的概念,对相关元素（行动、状态、阶段等）进行更精确的表示;然后,分析当前任务目标,设计自定义规则集;最后,使用推理引擎进行推理,完成本体中行动、状态等实例的过滤。（2）提出COA本体结合HTN规划方法进行规划求解的策略。HTN规划基于任务分解的思想规划行动序列,常被应用于行动序列的自动生成。本文采用HTN规划方法对COA本体中知识进行规划求解。首先,对COA本体与HTN规划模型中相关元素进行分析,定义了模型之间的映射转换规则;然后,提出了转换方法,根据转换规则将COA本体转换为HTN的规划域及规划问题;最后,使用JSHOP2规划器进行规划求解,成功得到行动序列。实验结果表明,利用本体推理可以有效过滤与任务目标无关信息,缩小作战规划问题规模。对于大规模COA本体,本体与HTN规划方法的成功结合具有显著效果,进一步提高了行动序列自动生成的效率。以一个作战领域的COA扩展本体为例,本体过滤可以将规划问题规模缩小50%~80%;对于行动序列的生成,与传统计划生成方法的规划时间对比,HTN规划平均仅需其约四分之一的时间,并且随着本体规模的增加,HTN规划所需时间增长缓慢,具有较强的稳定性。