0 引　言

智能弹药（Intelligent Ammunitions，IAs）作为一种能够在空中持续巡航飞行，并能够迅速对地面或水面目标发起攻击的制导武器，同时具备成本低制导和精度较高的特点，在近几年愈发受到各国重视^[1]。一架无人机经过简单改装，加载导航模块和炸药，就能成为廉价的智能弹药，可以执行短距离打击任务^[2]。智能弹药外壳多用不反射雷达波的复合材料制造，导致大多数以雷达扫描为主的地面防空系统难以对智能弹药进行探测、预警和拦截^[3]。智能弹药已经形成了一个完整的产品型号谱系，以应对各种作战需求，作战部队可以根据任务类型，选择合适的智能弹药进行作战^[4]。智能弹药部署方便，可以通过机载、车载、弹射架、炮射、单兵等多种形式进行投放，适应多种战场环境^[5]。智能弹药旨在将非智能弹药与自主控制无人机相结合，因此该弹药应由战斗部、制导部、推进部和自动控制装置构成^[6]。

在现代战场中，智能弹药具备执行战场侦察、目标指示、定点打击、区域控制等任务的能力^[7]。这些作战功能已经在近年来的战场上获得了成功的验证，例如，美国Aerovironment公司研制的“弹簧刀-300”攻击型无人机曾大量配发给驻扎在阿富汗和伊拉克的美军部队，并在战斗中使用了数千枚，用于打击高价值目标^[8]。伊朗在2021年1月与美军的对峙的过程中成功试验了攻击型无人机，并成功飞行了1400 km^[9]；俄罗斯的武器制造商卡拉什尼科夫将其无人机制造部门生产的KUB-BLA攻击型无人机应用于俄乌战争中^[10]。各国的智能弹药在战场上同台竞技，隐隐透露出未来战争的新形态。智能弹药不仅仅是一款武器的简单应用，其将会成为未来一种新的作战方式，带来作战理论的革新^[11]。

一般将智能弹药的飞行分为3个阶段：发射与展开段、巡飞段和俯冲段。在发射与展开段智能弹药离开发射舱体，获得初始加速度与初始速度，该阶段具有较高的过载，在弹体离开发射舱体后弹体的舵面自动展开，飞行控制系统开始工作，对弹体飞行姿态进行调整并准备进入巡飞段^[12]；在巡飞段智能弹药按照任务既定路线进行巡航飞行，完成目标识别与目标跟踪任务，在锁定目标后准备实行精确打击并进入俯冲段；在俯冲段智能弹药一般采用末制导技术引导弹药对目标实行精确打击。本文主要针对智能弹药的巡飞段和俯冲段关键技术进行讨论与研究。

伴随军事技术的快速进步，各国逐渐将目光转移到水面作战与水面战场上来，同时无人装备与无人化作战逐渐成为作战方式的主流形式。水面典型目标在水上战场可以做到自主导航且自主探测战场环境，因此可以在一定程度上代替有人典型目标执行水面任务。水面典型目标本身具有目标小、特征少、速度快、移动无规律的特点，具有良好的机动性和隐蔽性，对水面侦察和打击技术带来了新的挑战，常规的目标识别及跟踪方法会造成识别误判、跟踪丢失率高，进而导致智能弹药攻击脱靶，打击精度与作战效能低下。因此，为应对水面典型目标此类高速移动且特征量较少的对象，目标识别、目标跟踪与飞行制导技术是智能弹药执行水面典型目标识别跟踪任务的关键技术。

1 智能弹药对水面典型目标的识别技术 1.1 基于多模复合的目标识别

大部分水面典型目标表面使用的材料都是玻璃钢辅材料，该材料以玻璃纤维和不饱和聚酯树脂为主要成分^[13]，该材料相较于传统金属材料具有较好的透波性。因此以该材料为主要材料的水面典型目标的辐射总能量应该为自身辐射能量加上水面透射能量^[14]，特定波段下，水面与典型目标之间的毫米波辐射特性差异明显^[15]。柴油机作为水面典型目标主要的动力系统^[13]，使得水面典型目标在工作状态下的温度远高于水面背景温度，两者红外特性差异很大。在激光反射特性方面，典型目标和水面均是光滑表面，对激光都具有良好的反射特性^[16]。

综上所述，可以选用三模多元复合探测器实现智能弹药对水上目标的有效探测与识别，并为该多模信号设计一种由多通道卷积神经网（Multi-Channel Convolutional Neural Network，MCCNN）和极端梯度提升决策树（Extreme Gradient Boosting，XGBoost）结合的复合探测信号识别方法（MCCNN-XGB）。

该方法可以使用多模传感器针对水面典型目标的一部分探测数据作为网络的训练数据集。该数据集中包含3种探测器的探测数据。红外信号探测器能够探测出典型目标表面与水面的温度差异，因为大部分水面典型目标使用油机工作，因此器表面温度会远高于水面温度，由此带来的红外信号会先增后减，形似正态分布；毫米波信号探测器则是被动的探测典型目标的电磁波辐射强度，大部分材料为非金属的典型目标本身的电磁辐射强度会低于水面，因此该信号的强度会先减后增，其趋势和形状与红外信号相反；激光信号探测器则是作为距离探测装置，用获得智能弹药与探测器扫描点之间的距离。考虑到实际的探测环境存在外部干扰因素以及探测器本身存在的误差因素，仪器获得的探测信号会带有大量噪声，破坏信号的平稳性和平滑性，影响后续数据分析。因此，用于目标识别的信号需要经过降噪处理才能输入MCCN-XGB网络用于目标识别。

局部加权散点图平滑（Locally Weighted Scatter Plot Smooth，LOWESS）作为一种非参数回归方法，其本质在最小二乘法的基础上引入移动窗口，该窗口可以针对局部数据进行加权回归计算。算法针对窗口内的样本数据进行多项式拟合，之后移动窗口并重复拟合过程。最后连接得到的所有回归曲线的中心点就可以得到所有数据的完整回归曲线。LOWESS算法能够适应数据的局部特征，捕捉数据的非线性趋势，进而在处理含有噪声和非线性特点的数据时，具有较大优势。

1）基于MCCNN-XGB的信号特征提取

传统的目标特征融合方法通常是将多个单通道卷积神经网络并行，但该设计方案会导致过于复杂的模型结构和过于繁琐的模型参数。运行模型时会占用大量的计算机内存资源，严重影响模型运行的实时性。为了解决上述问题，可以设计多输入通道的卷积神经网络模型，将多模探测信号作为多维信号集分通道输入进多输入通道神经网络，这样可以做到不同类型信息在同一网络中进行融合处理，提高目标的识别成功率，同时能够提高系统的抗干扰能力。网络的框架设计如下。

归一化：为了提升CNN网络的训练效率，需要为CNN网络设置归一层。考虑到CNN网络卷积层一般会输出对称且非稀疏的结果，因此对该层的输出结果进行归一化处理可以稳定输出分布。考虑网络更新过程中存在的梯度消失和梯度爆炸问题，采用批标准化（Batch Normalization，BN）方法对权重更新幅度进行控制，标准化处理的方式如下：

$ {\hat x_i} = \dfrac{{{x_i} - {\mu _B}}}{{\sqrt {\sigma _B^2 + \varepsilon } }} 。$

(1)

式中：${\mu _B}$为样本均值；$\sigma _B^2$为样本方差。接着引入$\gamma $和$\beta $两个参数，为BN层添加了移动和缩放的功能，此时模型学习所需的特征分布为：

$ {\hat y_i} = \gamma {\hat x_i} + \beta 。$

(2)

激活函数：可以考虑选用Relu函数作为激活函数，该函数引入非线性因素，因此可以解决梯度消失问题。Relu函数可以写作：

$ {F_{Relu}}\left( x \right) = \max \left\{ {0,x + N\left( {0,\sigma \left( x \right)} \right)} \right\} 。$

(3)

式中，$N\left( \cdot \right)$为正态分布，$\sigma $为方差。Relu函数不需要进行指数计算，能够更好的在硬件层实现，从而进一步加速模型学习速度。

2）基于MCCNN-XGB的信号特征分类

XGB分类模型可以并行处理典型目标的特征信息，因此可以更好的针对多模信号特征进行数据拟合操作。综上所述，XGB模型可以获得良好的特征分类结果。

XGB模型参数的合理选择何以极大地加快模型的训练速度，提高模型训练的质量。首先考虑到本文的研究对象的特征峰分类特点，可以选择树模型来进行分类计算，该模型会给每个弱学习器拟合得到的残差都乘上一个$\left( {0,1} \right]$的$\eta $值以避免过拟合的情况发生。同时，树模型中表示数得最大深度的参数以及随机采样比例均不能设计的过大，这样可以有效避免过拟合和欠拟合的问题。

综上所述，MCCNN-XGB模型整体结构如图1所示，识别流程图如图2所示。

1.2 基于视觉引导的目标识别

受水面的复杂环境影响，水面典型目标在光电视觉设备的视角中存在运动模糊、突然跳出活消失以及外观差异随时间变化大等特点。针对上述水面典型目标的识别问题，需要提高神经网络的特征提取能力和性能。对改进孪生候选区域生成网络（Siamese Region Proposal Network，SiamRPN）进行改进，将网络的整体结构修改为以ResNet-50网络为主干并辅以增加了多层特征融合模块的子网络，这样的结构可以优化网络的特征提取能力。网络的整体结构如图3所示。

SiamRPN网络由孪生子网络（Siam）和区域生成子网络（RPN）2个部分串联而成。Siam子网络负责提取检测信号中的特征，RPN子网络则负责将被检测目标进行分类。Siam网络分为模板分支和检测分支，分别位于图3左侧上下。RPN子网络分为分类分支和回归分支，分别位于图3右侧上下。模板分支接收传感器图像信息之后交由检测分支计算图像中目标的后续位置，两者共享同一网络中的权重。模板分支分类分支负责将输入图像中的典型目标和环境背景区分开来，回归分支负责调整目标候选框边界，并最终确定典型目标的边框界限。

针对Siam网络，选择以残差连接为特点的ResNet-50网络，该网络的网络层数较深、参数较少，同时具备更强的特征提取能力。改变卷积操作${\text{Conv4}}$和${\text{Conv5}}$块可以实现单位空间的尺度的变化，这样就可以满足Siam网络对于尺度变化的要求。综上所述，在ResNet-50网络上借助空洞卷积增加感受野，配合特征图高度和宽度的调整，提取图像特征，并通过残差连接得到输入图像的多尺度特征图。

水面典型目标具有位置无规律、外形种类多、水面干扰强等的特点，因此针对水面典型目标的识别难度很高。为了解决上述问题，考虑对提取得到的图像进行多尺度和多角度下的特征提取与融合，可以在原有网络中增加新的融合特征模块以提升网络的识别能力。

网络将检测图像中不同分辨率的特征提取出来，这些特征组成的特征图对于网络具有不同的语义信息。针对不同分辨率的特征图进行解析可以获得不同的空间信息，这些信息通过融合操作可以显著提高图像中的特征表达能力。特征交互与特征映射相互配合共同实现特征融合，特征融合可以实现语义信息的跨层次捕捉，进而提高目标识别的成功率。特征融合模块可以写作：

$ {\boldsymbol{F}}_m=f\left({\boldsymbol{F}}_{m-1},\boldsymbol{H}_m\right)\text{ }m\in\left\{3,4,5\right\}。$

(4)

式中：$ {\boldsymbol{F}_m} $表示第$m$层的特征表示；$ \boldsymbol{F}_{m-1} $表示第$m - 1$层的特征表示，$ {\boldsymbol{H}}_m $表示从主干网络提取的第$m$层特征信息，$f\left( \cdot \right)$为特征融合函数。

特征统合函数的核心在于将注意力模块得到的不同位置特征进行加权计算。该模块针对输入特征${\boldsymbol{F}} \in {\mathbb{R}^{HWC}}$（式中$C$表示特征通道数，$ {\boldsymbol{H}} $表示特征高度，$W$表示特征宽度），将每个位置的相似度作为对应的权重进行加权求和可以求得与之对应的加权特征图${\boldsymbol{F}}' \in {\mathbb{R}^{HWC}}$，其计算方法如下：

$ A\left( {{\boldsymbol{Q}},{\boldsymbol{K}},{\boldsymbol{V}}} \right) = {\text{softmax}}\left( {\dfrac{{{\boldsymbol{Q}}{{\boldsymbol{K}}^{\mathrm{T}}}}}{{\sqrt {{d_h}} }}} \right) ，$

(5)

$ {\boldsymbol{F}}' = {\text{Conv}}\left( {A \cdot V} \right) 。$

(6)

式中：$ {\boldsymbol{Q}} $表示查询矩阵，$ {\boldsymbol{K}} $表示键矩阵，$ {\boldsymbol{V}} $表示值向量矩阵；$ {\text{softmax}} $表示对注意力权重的归一化计算；$ {d_h} $表示$ {\boldsymbol{Q}} $和$ {\boldsymbol{K}} $的维数；$ A $表示自注意力机制；${\text{Conv}}$表示卷积操作。

对于多层特征图来说，计算特征图的方法转变为特征值与层间相关性权重进行加权求和，其中层间相关性权重又多层交叉注意力模块计算得到，针对输入的特征图组${{\boldsymbol{X}}_i} \in {\mathbb{R}^{{C_i}{H_i}{W_i}}}$（式中$i$表示特征图的序号），实质与交叉注意力模块得到的权重系数${\omega _i} \in {\mathbb{R}^{C{C_i}}}$加权求和即可得到自注意力特征图$ {{\boldsymbol{Y}}_i} $，公式为：

$ {{\boldsymbol{Y}}_i} = {\text{softmax}}\left( {\frac{{{X_i^{\mathrm{T}}}{\omega _i}{X_i}}}{{\sqrt {{C_i}} }}} \right){{\boldsymbol{X}}_i}\omega _i^{\mathrm{T}} 。$

(7)

式中：$ {\omega _i} $表示第$i$个特征图的注意力权重矩阵；$ \sqrt {{C_i}} $表示缩小注意力权重的值域。

交叉注意力模块将所有自注意力特征图${\boldsymbol{Y}}$进行加合，得到最终的加权特征图${\boldsymbol{Z}}$：

$ {\boldsymbol{Z}} = \sum\limits_{i = 1}^N {{{\boldsymbol{Y}}_i}} 。$

(8)

分类分支用于判断图像中典型目标是否存在，回归分支在确认目标存在后用于确认目标的位置信息。但是这个过程中针对同一目标可能会存在的多个目标框边界，此时可以使用非极大值抑制的方法来筛选出最优目标框边界，进而更新目标状态。

同样地，为分类分支和回归分支设计对应的分类损失函数和回归损失函数，2个损失函数相结合得到SiamRPN网络的损失函数。同时考虑在损失函数中增加二元交叉熵损失函数，该函数可以更好地强调典型目标与环境的差异，提高网络对于目标的识别能力，进而更好地实现对网络的训练、监督和优化。二元交叉熵损失函数${L_{{\text{cls}}2}}$的计算方法如下：

$ {L_{{\text{cls}}2}} = - \frac{1}{N}\sum\limits_{i = 1}^N {\left[ {{y_i}\log {p_i} + \left( {1 - {y_i}} \right)\log \left( {1 - {p_i}} \right)} \right]} 。$

(9)

式中：$ N $为样本数量；${y_i}$为第$i$个样本的真实标签，其取值为0或1，分别表示负类别或正类别；${p_i}$表示第$i$个样本的预测概率。

2 智能弹药对水面典型目标的跟踪技术

相对于目标识别、目标检测、目标分类等问题，目标跟踪所面临更多的问题是跟踪环境变化所带来的复杂性。在目标跟踪过程当中，随着智能弹药飞行姿态和位置的改变，以及目标自身的移动，光电设备所探测到的目标形态随时可能发生变化。对于智能弹药目标跟踪而言，其主要任务是对光电设备获取到的视频序列中每一个目标位置和尺度进行预测。

水面典型目标在海面上移动速度快，使用常规的目标跟踪方法难以实现对水面典型目标轨迹的准确跟踪，这对于智能弹药完成打击水面典型目标的作战任务是不利的。因此，针对水面典型目标的智能弹药目标可靠跟踪方法的研究是很有必要的，可使用一种结合深度学习网络对目标运动进行预测的跟踪方法以实现对高速运动的水面典型目标的跟踪。

2.1 DeepSORT算法

简单在线实时跟踪（SORT）是一种简单、在线和实时的目标跟踪算法，其设计目标是在计算资源有限的情况下实现高效的目标跟踪。SORT算法的核心思想是将目标检测和运动预测相结合来实现对运动目标的跟踪。算法首先使用检测器在每一帧的输入图像中提取出目标的位置信息和目标本身的边界框。然后利用上述信息使用卡尔曼滤波器来对目标的运动进行建模和预测。SORT算法还引入了一种基于匈牙利算法的数据关联方法，用于在当前帧和先前帧之间建立目标的关联关系。该方法通过最小化关联成本来匹配当前帧中的目标和先前帧中的已跟踪目标，从而确定目标的身份和轨迹。但是当被跟踪目标出现受遮挡后又重新出现的情况时，SORT算法会存在ID切换的问题，此时为SORT算法引入深度学习网络，该网络用于学习目标特征，目标再次出现后算法不会将其视为新的目标而为其分配新的ID，大大降低了ID切换的次数，提高算法效率。

由此可以看出，实现目标快速跟踪的核心在于提取得到目标的唯一特征，通过引入的深度学习网络实现目标在重新出现后的快速跟踪。在该算法中用于提取目标特征的网络使用的是卷积神经网络ResNet-50^[17]，算法针对被检测目标通过卷积神经网络提取其特征，通过降维处理后得到目标的唯一特征向量，该特征不会受到目标自身状态的影响。

2.2 DeepSORT算法改进

DeepSORT算法中所使用的ResNet-50网络，因其具有很深的网络结构，所以针对目标的跟踪性能较为良好。但是，这样的网络结构也带来了一系列问题，首先是在高分辨图像信息下该网络的训练和推理速度较慢；其次深网络结构带来的大感受野会丢失一些小物体的关键信息；最后网络本身体积很大，不能很好的满足轻量化要求。

针对上述问题，需要对DeepSORT算法中的重识别模块进行改进，可以使用滑动窗口（Shifted windows，Swin）替换算法中原有的主干网络，如图5所示。Swim网络基于Transformer架构，具备分布式训练、跨群组计算等优势，能够极大地提高网络的训练和推理速度。同时该网络针对特征采用分级提取，与多重注意力机制配合可以实现对小目标检测的高灵敏度。该算法在每个Head中加入相对位置偏差$ {\boldsymbol{B}} \in {{\boldsymbol{R}}^{{M^2} \times {M^2}}} $用于计算注意力机制的相似度，其公式如下：

$ A\left( {{\boldsymbol{Q}},{\boldsymbol{K}},{\boldsymbol{V}}} \right) = {\text{SoftMax}}\left( {{{{\boldsymbol{Q}}{{\boldsymbol{K}}{\mathrm{^T}}}} \mathord{\left/ {\vphantom {{{\boldsymbol{Q}}{{\boldsymbol{K}}{\mathrm{^T}}}} {\sqrt d }}} \right. } {\sqrt d }} + {\boldsymbol{B}}} \right){\boldsymbol{V}} 。$

(10)

式中：$ {\boldsymbol{Q}},{\boldsymbol{K}},{\boldsymbol{V}} \in {{\mathbf{R}}^{{M^2},d}} $分别为查询矩阵、键矩阵和价值矩阵；$d$为查询矩阵、键矩阵的维度；${M^2}$为局部窗口内的补丁数量。

另外，具备多向多重特征信息相应的DeepSORT算法可以便捷的调整卷积网络的深度，同时可以有效避免传统卷积网络存在的梯度消失等问题。

3 智能弹药的飞行制导技术

由于智能弹药具有巡飞速度低、可用过载小及毁伤半径小等特点，比如火力阴影的巡飞速度约为68 m/s，导致智能弹药在接近目标时的飞行速度不会太高。因此，在完成智能弹药对水面典型目标精准识别和稳定跟踪的前提下，开展智能弹药飞行末制导技术研究，是实现智能弹药精确打击和杀伤链闭合的关键一步。

混合A*算法是一种高效实用且应用广泛的算法，它扩展了离散化控制输入生成的节点来搜索安全且动态可行的轨迹，本文在此基础上提出了动态目标路径搜索方法，并设计了一种启发式函数，充分利用目标移动预测快速搜索目标跟踪轨迹。

智能弹药的状态向量表示为$ x=(p_x,p_y,p_z,v_x,v_y,v_z)\mathrm{^T} $，加速度控制输入表示为$u \in u = {\left[ { - {a_{mp}},{a_{mp}}} \right]^3} \subset {{\mathbf{R}}^3}$，离散化$u$可得扩展周期为$\Delta T = \Bigg\{ {\dfrac{{\Delta {T_m}}}{{{n_t}}},2\dfrac{{\Delta {T_m}}}{{{n_t}}}, \cdots ,} $$\left( {{n_t} - 1} \right)\dfrac{{\Delta {T_m}}}{{{n_t}}}, \Delta {T_m} \Bigg\}$状态转移方程可以表示为：

$ {x_k} = \left[ {\begin{array}{*{20}{c}} 1&{\Delta T} \\ 0&1 \end{array}} \right]{x_{k - 1}} + \frac{1}{2}\left[ {\begin{array}{*{20}{c}} {\Delta T} \\ {2\Delta T} \end{array}} \right]{u_N} 。$

(11)

式中：${x_{k - 1}}$为前一状态，给定${x_{k - 1}}$，${u_N}$，$\Delta T$，就可以通过展开节点生成运动基元，在一次展开过程中最多可以生成${\left( {2{n_a} + 1} \right)^3} \cdot {n_t}$个运动基元。

节点的代价函数为${f_c} = {g_c} + {h_c}$，式中${g_c}$为从初始状态${x_0}$到当前状态${x_c}$的实际代价，${h_c}$为启发式代价，这样可以使搜索速度更快。能量时间代价函数主要与控制力和飞行时间有关，该方法通过最小化这2个因素来进行权衡。能量时间代价函数表示如下：

$ {J_t}\left( T \right) = \int_0^T {{{\left\| {u\left( \tau \right)} \right\|}^2}{\text{d}}\tau } + \rho T 。$

(12)

运动基元由离散化的输入${u_N}$和$\Delta T$在一次展开过程中生成，那么一个运动基元的代价可以表示为${e_c} = \left( {{{\left\| {{u_N}} \right\|}^2} + \rho } \right)\Delta T$。因此假设有$m$个运动基元构成${x_0}$到${x_c}$的最优路径，则${g_c}$可以确定为：

$ {g_c} = \sum\limits_{i = 1}^m {{e_i}} = \sum\limits_{i = 1}^m {\left( {{{\left\| {{u_{{N_i}}}} \right\|}^2} + \rho } \right)\Delta {T_i}} 。$

(13)

启发式函数${h_c}$可以显著提高算法的搜索速度，由2部分组成，可以表示为：

$ {h_c} = D\left( {{x_c},{x_g}} \right) + {W_t}\left( {{H_t} + {t_c}} \right) 。$

(14)

式中：$ D\left( {{x_c},{x_g}} \right) $为智能弹药当前状态$ {x_c} $到目标状态$ {x_g} $的欧氏距离，为了使搜索结果具有前瞻性，本文采用$ {x_{tc}} $和$ {x_{tp}} $的加权值来代替目标状态$ {x_g} $获得结果：

$ {x_g} = \left( {1 - \sigma } \right){x_{tc}} + \sigma {x_{tp}} 。$

(15)

式中：$ \sigma $为权重因子，随着路径展开时间$\tau $的增加，$ {x_{tp}} $沿$\hat B\left( t \right)$传播，路径展开过程的时间轴与目标预测轨迹同步，具体来说，就是指在目标路径展开的$\tau $时刻，${x_{tp}}\left( \tau \right) = \left\{ {{p_{tp}},{v_{tp}}} \right\} = \left\{ {\hat B\left( \tau \right),\hat B\left( 1 \right)\left( \tau \right)} \right\}$。

利用智能弹药快速自主飞行方法中提出的最优边值问题（Optimal boundary value problem，OBVP）求解最优路径的最小动态代价，对于所研究内容定义了OBVP距离$ D\left( {{x_c},{x_g}} \right) $，是解决$ {x_c} $和$ {x_g} $之间问题的最小代价。另一方面，${W_t}\left( {{H_t} - \tau } \right)$是一个时间惩罚项，其中${W_t}$表示权重，${H_t}$表示期望扩展时间的总和，引入这一项的目的是为了权衡算法的最优性和计算效率，实验表明，时间惩罚项大大加快了算法的搜索速度，因为它使得算法更倾向于选择当前节点的相邻区域，而不是整个状态空间。由于搜索区域大面积减小，算法运行速度得以加快。

4 智能弹药目标识别跟踪技术发展方向

智能弹药针对水面典型目标识别跟踪技术的发展方向：

1）进一步融合传感器多元信息，依靠深度学习、神经网络、自主学习实现导航系统对于传感器多元信息的进一步融合，提高对于水面典型目标此类特征少、速度快的小目标的识别成功率。

2）进一步优化目标跟踪算法，增强其特征提取能力。通过引入多层特征融合模块，将自注意力模块和交叉注意力模块相融合，完成对不同层次特征信息的提取融合，从而更全面地整合多层次的特征表示，进一步提升目标跟踪的准确性。

3）大力发展水面智能弹药集群战术，俄乌双方在战场采用的单独作战策略所获得的作战效果有限，因此智能协同作战是智能弹药未来技术发展的热点和重要方向^[18]，充分发挥智能弹药低成本的优势，利用组网组成蜂群，通过智能协同作战，对敌方目标形成饱和攻击，即使不能全部击中目标，也能大量消耗敌方防空火力，为己方后续武器突防创造机会，开展智能弹药集群控制和协同打击等技术研究，针对水面典型目标移动随机性高等特点，使用智能弹药集群进行多方位和多维度打击，可大大提高对水面典型目标的杀伤效率和作战效能。

5 结　语

本文针对水面典型目标识别跟踪场景下的智能弹药关键技术、应用方法和发展方向进行了梳理、分析和总结，梳理总结出了适用于针对水面典型目标识别跟踪的智能弹药目标识别、目标跟踪和飞行制导方法。然而，针对水面典型目标识别跟踪的智能弹药技术受当前研究水平的限制，距离实战化应用还存在一定差距。因此，后续需要围绕针对水面典型目标识别跟踪体系下的目标特征提取、多元信息融合、集群协同作战等方面，持续深入地开展智能弹药相关技术研究，为打赢未来水面战争提供理论基础和技术支撑。