在复杂程度越来越高的情况下,非结构化环境中呈现了越来越多的随机性与不确定性,这将给传统的移动威胁状态估计与避撞带来新的挑战。传统的处理算法将随机性与不确定性以扰动等参数形式引入模型,从而不适用于模型未知或只有部分已知的情况,且不利于避撞算法制定。在随机性与不确定性并存下的非结构化环境下,迫切需要探索复杂环境下的威胁状态估计与避撞方案的新方法,为实际工程应用提供支撑。在非合作,乃至博弈的环境下,运动体的自动避撞面临着越来越严峻的挑战,具体表现在:目标运动难以精确建模,目标计划路径属性以及异常检测不足,人工势场法碰撞条件不明。本论文围绕纯方位量测下目标运动估计、运动目标计划路径属性判别、目标异常行为检测、人工势场法机理分析与改进等方面开展工作,主要成果如下:1.针对传统障碍物目标运动的Kalman估计依赖先验运动模型而各类障碍物运动难以先验精确建模的困境,构造了纯方位量测下未知输入观测器（UIO）,通过对目标位置和速度估计误差的反馈修正避免了目标运动精确建模的要求,因此对障碍物的运动类型具有更好的泛化能力。纯方位量测下单障碍物与多障碍物仿真均表明:所提UIO的估计精度更高。2.识别障碍物目标的路径属性对于确定其运动规律从而有效避撞非常必要,但跟踪误差使得路径属性判别面临很大的风险。提出构造基于偏离距、域内截距和运动方向的基本置信函数;提出了基于特征推理的路径属性判定与预测框架,适用于复杂环境中先验信息不完备和不一致的情况。在简单与复杂的平行与交叉场景仿真表明:与假设检验方法和传统证据推理方法相比,所提方法的对目标路径属性误判率显著下降。3.针对路径属性异常检测问题,提出了基于TBM的属性融合判定与异常检测联合架构。该方法从时间和特征两方面构造了冲突判定的专家规则,从而获得了更好的特征变化甄别能力和对信息不一致的处理性能。路径切换与路径偏离-回归场景下的仿真表明,所提方法的异常检测结果更加准确,且对异常发生时刻判断更加灵敏。4.发现了人工势场方法造成碰撞的充分条件,揭示了斥力计算的本质局限;进而提出了满足三个避撞判据的满意度因子新概念,并将该因子用于修正斥力计算,从而在理论上避免了碰撞的发生。由于满意度因子计算利用了目的地和障碍物相对于运动平台的方位差实时信息,随着避撞场景的变化而变化,从而赋予了所提ADAPF避撞法更强的自适应能力。典型场景仿真验证了ADAPF的有效性,并且与纯方位量测下未知输入观测器相结合能够在避撞的前提下更快到达。