近年来,随着设备小型化技术的快速发展,分布式探测集群已经被大量应用于实时目标识别等场景之中。但是,随着应用的深入,逐渐产生以下问题。受到单个节点探测精度的限制,分布式探测集群中单一节点在进行目标识别时,只能获取到有关目标的低特征维度知识,此类知识中往往会包含较多的干扰目标。同时,由于分布式探测集群去中心化的特点,集群每个节点所获取的知识均会直接上传给上层用户。大量包含干扰目标的知识同时向上层用户发送,会干扰用户对于目标的正确识别与判断。针对此类问题,有学者提出了一种知识中心网络的构想。知识中心网络的核心设计思想是通过对于知识的提取与表示、构成与演进、有效上传与分发,增强系统智能和交互性,改善服务质量,以更好的可控性和更低的成本进行通信。为了避免分布式探测集群中大量干扰目标影响用户对于真实目标的准确识别,本课题基于知识中心网络的设计构想,以知识数量向知识质量的转变为目标,研究并实现了一种基于协同计算的知识中心网络。首先,本文研究了一种面向知识演进的协同计算方法,通过该方法实现知识在分布式集群中的协同共享与演进计算。然后,基于知识的协同计算方法,研究并设计了一套知识中心网络的实现方案,并对该方案进行实验与验证。实验结果表明,本文研究并实现的基于协同计算的知识中心网络,可以将分布式探测集群中低特征维度的知识快速演进转变为高特征维度的知识,并将最终的高精度知识向用户报告。实现了分布式探测集群中知识数量向知识质量转变的设计目标,避免了干扰目标对于用户正确识别的影响。