现代战争的对抗,表现为作战力量及资源之间的系统较量。如何选择目标进行打击以达到有效击伤或瘫痪敌方体系是指挥决策的关键,因此使用体系思维进行目标分析事关军事行动成败。本文开展目标体系分析相关的理论和方法研究具有重要意义。传统的目标体系分析大多是基于建好的目标体系进行关键目标和部位的分析。但是现代战争对抗激烈,目标体系内部关系复杂且动态变化,同时受到战场“迷雾”影响,如何快速、高效、准确的构建出对方的目标体系和进行目标体系分析变得更具挑战性。为此,本文提出了支持动态迭代执行的目标体系分析方法流程,涉及使用基于图的知识表达方法对目标体系构建知识形式化描述,使用缺省推理方法自动构建目标体系结构关系模型（target architecture relationship model,TARM）,和基于TARM转化建立的目标体系复杂网络动力学模型进行目标体系关键节点分析。本文的主要工作和创新点如下:（1）提出基于图规则的灵活同态和高效的灵活同态搜索算法。使用基于图的知识表达方法对目标体系进行描述时,难以建立统一的概念关系偏序结构,为此,本文对传统的图同态进行改进,提出基于多概念关系偏序结构的灵活同态推理,提升规则使用灵活性。灵活同态搜索是使用图规则的基本操作,其为典型的NP难问题,为提高图规则使用效率,本文研究了三种技术,分别是通过强化学习优化规则前件节点的匹配顺序、使用节点统计数据优化概念关系备选节点比较序列、以及使用节点标签过滤灵活同态备选节点,它们组合形成了一种高效的同态混合搜索算法。灵活同态和同态混合搜索算法共同为TARM的快速推理构建奠定了知识表达基础。（2）提出基于层次结构优先序的缺省推理方法。战场不透明导致推理出的TARM具有多种可能,同时随着战争的推进,TARM也会发生变化,所以TARM的构建具有非单调性。本文对传统的缺省推理进行改进,提出了一种新的基于层次结构优先序的随机缺省推理方法。该方法建立了缺省规则图结构优先序,避免了基于严格全序的传统缺省推理导致的缺失部分可能TARM的问题。在进行推理时,该方法在缺省规则图结构优先序约束下,依概率随机选择缺省规则序贯推理,具有良好的并行性。面对多个可能的合理扩展,新方法在这些扩展间建立了基于期望准确率、期望精确度和期望召回率的优先序,用于确定稳健的缺省理论语义,使推理构建TARM的失败决策代价最小。（3）提出基于深度递归神经网络（recurrent neural network,RNN）的缺省推理方法。使用基于层次结构优先序的随机缺省推理方法得出所有可能TARM的计算复杂度高,为此,本文在我其上融入了RNN模型,提出使用RNN指导缺省规则的选择使用,以提高推理效率和针对性。通过对TARM的推理历史数据进行分类,建立相应的训练数据集用以训练RNN,训练好的RNN在图规则优先序的约束下为随机推理推荐使用规则,减少了无效规则使用次数,提高了推理生成合理扩展的效率。相比于基于层次结构优先序的缺省推理,融入RNN的缺省推理更具有针对性,能够更加高效地产生符合需求的TARM。同时,针对RNN训练数据生成计算复杂的问题,本文提出了训练数据简化处理方法,有效提高了训练数据准备的处理效率。（4）提出基于复杂网络动力学模型的节点评估方法。传统的基于复杂网络的节点分析方法大多是基于拓扑结构信息评估节点的重要性,忽略了节点自身特性。针对目标体系中各节点内在特性区别明显的实际特征,本文提出了基于复杂网络动力学模型的节点评估方法,具体包括扰动测试和破坏测试两种评估方式,通过动力学仿真实现了针对节点自身功能被破坏可恢复和被破坏不可恢复两种情况下的节点重要性评估,其中动力学模型是基于TARM转化建立出的。扰动测试和破坏测试包含了网络拓扑结构信息和节点自身特性,揭示了目标体系结构运行机理,所以基于复杂网络动力学模型的节点评估方法能更加全面地反映目标体系中不同节点的重要性。基于以上研究,本文设计并实现了目标体系辅助分析原型系统,在原型系统中实现了基于虚拟机（virtual machine,VM）的并行缺省推理框架,有效提高了TARM的推理构建效率。设计出了基于缺省规则结论的节点编码方式,有效降低了扩展准确率、精确度和召回率的计算复杂度。采用了基于HTML的图形化显示,使原型系统的人机交互更加友好。最后,基于典型目标体系分析案例,实验结果表明论文提出的方法合理、有效。