多目标拦截器通过一枚地基拦截弹携带多个子拦截器,能够有效提高对多个目标的拦截效果。考虑到多目标拦截器体积小数量多的特性,其作战过程中需要结合自身的拦截能力范围来对多个目标进行合理的目标分配决策和协同拦截策略决策。本文以多目标拦截器对复数目标的拦截问题为背景,对多目标拦截器的拦截器拦截能力预测方法、目标分配决策方法和协同拦截策略决策方法进行研究,主要内容包括:针对拦截器进行决策前需要进行的拦截能力预测问题,分析了拦截器拦截能力范围与其飞行状态和相关基础参数的关系,据此给出了一种通过预测拦截器相对状态来预测拦截器绝对状态的方法,并基于深度学习方法设计了一种通过拦截器当前飞行状态和拦截器基础参数来预测拦截器能力范围的深度学习神经网络,其具有适用范围广,可扩展性好和计算速度快的优点。基于不分导情况下的拦截器和目标的预测飞行状态,提出了一种相对坐标系,利用此相对坐标系,对拦截器和目标在各自集群内的相对运动关系和拦截器与目标之间的相对运动关系进行了表征和目标分配决策向量的计算,并考虑目标分导机动方向的随机性,基于深度强化学习方法,设计了一种用于目标分配决策的深度强化学习神经网络,其具有求解速度快和鲁棒性好的特点。针对多个拦截器拦截同一目标的拦截问题,基于调整拦截器拦截能力范围的思想和经典比例导引制导律,设计了一种带目标位置偏置的比例导引制导律,并考虑能够获得对目标机动方向的估计信息的情况,设计了不同的协同拦截策略,并基于深度强化学习方法,设计了用于决策拦截器拦截策略的深度强化学习神经网络,最后通过仿真验证了网络对于协同拦截策略决策问题的有效性。本文对多目标拦截器协同拦截决策的关键技术进行了研究,研究了多目标拦截器的拦截能力预测、目标分配决策、协同策略决策等关键问题,探索了深度学习、深度强化学习等新兴方法在传统的拦截问题上的应用方式,得到的成果对于将人工智能技术与传统弹道导弹拦截技术相结合具有一定的借鉴意义。