随着作战环境的日益复杂,作战受到时间和空间的限制,因此作战系统应具备高效的信息处理速度和快速的综合反应时间,这就要求作战设备应具备对未知目标准确而快速的识别能力和从信息中进一步理解目标行为意图的能力。目标行为认知是战场态势评估和威胁评估的基础,对提高作战能力有着极其重要的意义,已成为国内外一个重要的研究性课题。目标行为认知是一个从感知数据到认知行为的过程。在先前的目标行为认知研究中,往往依靠人工进行特征提取,不仅费时费力而且无法有效处理信息系统的海量信息。机器学习具有强大的自学习能力和海量信息处理能力,以其为核心的知识图谱技术也发展得如火如荼,在许多领域取得了不错的成果。考虑到目标行为认知应具有准确快速的特点,可以借助机器学习强大的自学习能力和海量信息处理能力实现,因此,本文结合机器学习方法,对目标识别、目标行为分析两大方面进行了研究。针对常规机器学习算法无法学习时序数据规律的问题,本文研究了具有长期记忆能力的LSTM网络的目标识别性能,设计了LSTM网络识别模型,对该模型的构建及训练进行了详细叙述,并研究了LSTM网络的噪声敏感性,仿真结果表明,LSTM网络在低信噪比下识别率较高,噪声稳健性良好。针对实际获取的传感器数据往往存在不同程度缺失的问题,本文提出一种基于主成分分析的移动滑窗数据填充算法,通过主成分分析计算出相邻各属性对缺失项的属性影响值,加入到移动滑窗数据填充结果中,这样不仅考虑了数据的时序关系,同时考虑了相邻属性之间的相互关系。仿真结果表明该填充算法具有良好的数据恢复率,可以学习关键信息的LSTM网络在数据缺失的场景下也具有良好的识别性能。针对传统的信息系统无法有效对海量信息分析、组织和利用的问题,本文在目标识别的基础上,提出了一种基于知识图谱的目标行为挖掘与检索分析技术架构,以知识检索的形式得到目标行为信息。该架构从时间维度上组织知识,考虑了不同时间段之间知识存在的联系,将目标的静态属性信息和动态知识信息相结合,依据提取出的知识信息对目标行为进行挖掘分析,实现了对知识的有效组织和充分利用。采用数据采集、知识抽取、知识的存储与检索、知识图谱分析这样的技术路线进行研究。在知识抽取方面,采用基于领域词、辅助词配合正则表达式的方式进行实体识别、关系识别、属性识别,确保知识抽取的准确性和鲁棒性。最后,对形成的知识图谱以及检索出的信息进行分析,证明了该架构具有优异的性能。