战场态势感知是现代战争智能化、信息化趋势下重点研究的对象。目标意图识别是战场态势感知中一个重要的环节和研究方向。随着各类新兴技术的涌现和发展,战场态势数据的来源更加多样、更加精确和快速,数据的复杂度和数量已经远远超出了传统技术能够处理的范围,而现代战争对于态势感知的精确性和实时性要求却有增无减。因此,亟待引入新兴技术对当前态势感知领域面临的诸多困难进行解决。本文详细地介绍了态势感知和深度学习的相关概念原理、基本内容和功能模型,在此基础上分析了将深度学习引入战场态势感知领域的可行性和合理性。对目标意图识别这一研究方向进行了深入研究,并针对单一目标和群体目标的行为识别分别提出了可行的解决方案。本文的主要工作如下:（1）基于自编码器构建了对单一目标行为意图进行识别的模型,略过了繁复的特征设计步骤,实现了一级融合到三级融合的直接跨越。针对基于多层感知器的模型实现受到初始权值的影响大,在小样本的情况下表现不佳的问题,将无监督预训练引入识别模型。自编码器作为无监督学习的代表模型,其在表示学习方面的良好表现,能够对数据本身的表示进行挖掘的特性,可以有效地解决基于多层感知器的识别模型存在的问题。并通过实验证明了这一模型设计的合理性和有效性。（2）针对传统图像数据能够表现的态势信息少这一问题,仿照图像数据的结构提出了类图像网格数据,用以存储和表示复杂的战场态势数据。根据卷积神经网络的设计原理和处理数据的实际操作,结合卷积神经网络适合处理图像数据的事实依据,从理论上说明了将类图像网格数据应用于卷积神经网络的合理性和可行性。（3）基于卷积神经网络构建了对目标群行为模式进行识别的模型。针对战场态势数据来源多样、维度高且信息量大,而图像数据能够表示的信息有限这一矛盾点,提出将类图像网格数据与卷积神经网络相结合构造识别模型的方法。通过实验验证了,将类图像网格数据应用于卷积神经网络的可行性。同时证明了,类图像网格数据能够有效表达战场态势数据,以及卷积神经网络能够对类图像网格数据表示的战场态势数据进行学习和挖掘,进而得到目标群行为模式的识别结果。综上,本文通过对深度学习相关模型的构造和原理进行深入研究,结合战场态势感知相关概念,对将深度学习引入态势感知领域进行了尝试,并取得了不错的结果。