我国领海面积约为陆地面积的三分之一,随着国家经济社会的发展,海域监管越来越重要,感知海上船只并监管其航行状态是海事监管部门重要的工作之一。船只目标探测的响应时间、探测距离与探测精度等因素将会影响到对船只航行意图的准确判断,仅使用单一传感器很难满足探测要求,采用多传感器融合技术可以有效的解决这个问题,提高对船只目标全方面探测能力。感知并预测船只的航行状态是船只监管的另一个重要内容,目前的监管手段主要是感知和监测船只目标当前和过去的状态,预测出船只未来状态将会提高监管能力。获取多种传感器的数据,并完成关联融合,再经过推理挖掘可以获得更多的信息,用以完成对船只当前状态的感知并预测未来意图,为海事管理部门监管与预警提供技术支持。应用态势感知手段对感兴趣目标进行重点监测,可有效的提高海事管理部门的监管效率。本文以海上船只目标为研究对象,采用多传感器探测技术获得船只目标航迹信息,应用多传感器融合技术得到船只目标多项属性特征,再结合环境、气象、经济、政治等多维数据,引入态势感知技术获得目标当前态势风险等级,在此基础上运用神经网络完成对目标的态势等级预测。论文主要完成以下研究工作:1.研究高频地波雷达目标航迹跟踪技术,提出一种基于模糊联合概率关联（Fuzzy Joint Probability Data Association,FJPDA）优化的变分贝叶斯无迹卡尔曼（Variational Bayesian Unscented Kalman Filter,VBUKF）跟踪算法。计算出高频地波雷达的系统误差,设计通过VBUKF滤波器对航迹进行预测,融入FJPDA算法将预测的值与实际测量值关联,完成航迹一步更新,进入下一时刻,循环迭代,直到达到终止条件,实现全航迹的跟踪。将生成的航迹与AIS（Automatic Identification System,AIS）航迹进行关联,验证了算法的可行性与有效性,高频地波雷达航迹跟踪结果为融合探测提供目标基础数据。2.研究高频地波雷达航迹、AIS航迹与星载SAR（Synthetic Aperture Radar,SAR）点迹的相互关联,提出了一种多门限判决的全局最优关联算法。多门限判决的融入可以在全局最优关联之前减少不必要的关联航迹对,以此降低全局最优关联的计算数量,提升计算效率,运用拍卖算法解算出最优解,实现高频地波雷达航迹与AIS航迹的关联。SAR点迹与航迹的关联,核心为SAR点迹与组成航迹的点迹进行关联,同样采用多门限全局最优算法,实现三种传感器的相互关联。关联结果显示与最近邻和均值最近邻相比,多门限判决的全局最优算法可以获得更多的关联航迹对。最后依据三种传感器相互关联的结果,以船只目标为研究对象,建立多特征数据集,为船只目标的态势感知提供数据基础。3.在获取目标相关的多维特征数据条件下,提出一种基于主客观组合赋权的模糊评判态势估计算法,实现对目标当前状态的量化态势评估。将目标是否接近特定区域作为判定条件,定义了五个目标航行意图风险等级,利用目标特征与意图判定之间的关系建立评估体系与评估指标,并对评估指标进行量化。然后,通过主客观组合赋权的方法得到评估指标的对应权重,结合模糊函数确定评估等级。再计算出每一个评估指标的隶属程度后,形成模糊向量,选择乘法算子完成最终的评估,得到目标航行意图的风险等级。对比数据集中的真实意图,证明该态势评估算法准确有效。4.针对实验中所得当前目标的“态”,提出一种基于改进粒子群优化的GRU（Gate Recurrent Unit,GRU）神经网络算法,以达到对未来“势”的预测。为了获得更好的学习效果,在GRU网络的学习过程中需对各项权值的参数进行调试。在计算最优解的过程中,引入差分进化算法的粒子群进行神经网络参数优化,从而实现对未来意图等级的预测。预测过程中使用358样本作为训练集,90个样本作为测试集,经结果对比,正确率可达96.7%,可实现可靠预测。最后在PyCharm开发环境下搭建可视化仿真平台,嵌入以上算法,完成船只航迹与态势等级动态可视化展示。