当前,战术边缘已经成为扭转战役态势、改变战略决策的军事斗争新焦点。赋予战术边缘高质量的智能能力已经成为战斗力生成和作战节奏控制的关键路径。其中,智能学习是战术边缘智能化需要首先突破的技术难点和核心问题,是战场数据向智能模型转化的重要枢纽。受限于战术边缘的恶劣环境,传统方法难以为战术边缘智能模型的学习训练提供有效支撑。因此,本文基于联合智能学习方法,借鉴“云网端”融合计算服务理念,面向战术边缘环境的诸多挑战,瞄准战术边缘智能性提升开展了如下4个方面的关键技术研究:（1）面向战术边缘智能学习的结构性需求,针对边缘架构在智能能力赋予、学习环境适应、计算资源消耗等方面的挑战,基于“云网端”融合理念,设计了面向“云网端”融合的边缘智能作战体系。在此基础上,以网络状况为依据,设计了基于通信感知的战术边缘自适应学习架构,实现学习任务的无缝衔接,为动态环境下战术边缘智能学习提供稳定可行的架构支撑。（2）面向后端可达情况下大规模战场节点的智能学习需求,针对战术边缘环境下联邦学习的通信瓶颈,提出了一种自适应压缩的分层联邦学习框架,并在此基础上设计了一种与之相适配的算法ACFL。该算法可以根据网络情况自适应地进行梯度信息压缩,结合参数分块和多级聚合技术进一步缓解通信瓶颈。其收敛性和有效性得到了理论分析和实验结果的支持。（3）面向后端不可达情况下战术边缘模型实时精调问题,考虑战术边缘网络不可靠、资源受限等挑战,通过gossip机制实现了战术边缘节点间的协同智能学习。为了均衡学习过程中的资源开销和学习效率,提出了一种名为Alpha-Gossip SGD的动态控制算法,通过控制每个节点的信息共享策略,实现在给定资源预算情况下的学习性能控制,得到了数值仿真和原型系统方面的大量实验验证。（4）针对战术边缘环境中存在的大量弱标签数据,引入分布式生成对抗网络技术,构建了一种可适应任意通信架构的分布式生成对抗网络学习框架,DANCE。在此基础上,受gossip机制和Stackelberg博弈启发,提出了一种针对DANCE框架的训练控制算法AC-GAN,并从模型收敛性和解的存在性两个角度对其进行了理论分析。来自仿真和原型系统的实验结果均证实了所提出算法在战术边缘环境下的优越性。