本论文依据真实物理环境中数据稀缺且难以获得的问题,设计通过仿真训练环境推演获得对抗数据,利用仿真训练数据对算法模型进行训练迭代,最终完成从数据生成到模型迭代的闭环流程,使得算法模型能够通过仿真训练系统学习出智能行为决策的能力。具体的,本论文选用深度强化学习技术作为智能决策模型,为产生强化学习模型的训练样本,我们搭建一套服务于强化学习技术的仿真训练平台。训练平台中包括态势推演、效用评判、观测信息提取等关键功能。训练平台设计理念与强化学习技术中的智能体概念相符,对抗单元将依照深度强化学习中智能体概念进行智能体建模,包括行为空间、观测空间、回报函数等基本决策要素。在算法模型和仿真训练系统的交互设计上,我们使用包括进程通信与g RPC技术在内的多种数据交互方式,能够使得算法灵活选择不同编程语言与训练框架。最后,我们基于该仿真训练平台构建典型的进攻/防守对抗场景,使用深度强化学习算法进行进攻方的行为决策,并基于状态机技术建立防守方内置AI策略,随着对抗推演轮数增加,深度强化学习算法最终成功学习出击败内置AI的决策能力。本论文主要研究内容主要分为下面四个部分:（1）对抗单元的智能体建模技术的研究,包括:对抗单元观测空间、行为空间的建模,对抗单元行为效用的评判,以及当存在多种不同类型的智能体时如何进行数据整合与数据更新。（2）仿真训练系统中态势推演、观测获取等推演功能的实现。要想获取模拟对抗数据,就需要构建一个能够完成推演对抗的仿真世界,智能体在仿真世界中的对抗须符合一定的物理规则与物理效应,智能体只有在遵循基本规则下完成推演训练系统才能够产生有效且合理的训练数据。（3）算法和仿真部分之间的通信方式与通信协议研究。仿真世界和算法模型作为相互独立的两个部分,需构建合理的通信方式和通信协议。同时,针对跨语言的工程需求,该论文需对这一现实问题做出考虑并提出解决方法。（4）构建典型突防对抗场景,基于仿真训练系统搭建具体实施例。通过制定红蓝双方智能决策模型与对抗规则,随即完成对抗实施例的设计与实现。