随着人工智能技术的发展,飞行器智能自主作战已成为未来飞行器空战不可缺少的技术基础和获胜手段。飞行器自主作战问题面临实时性和最优性的矛盾,即为了实现实时对抗作战,需要对自主作战算法进行简化,无法保证作战效能最优;最优效能算法解算速度无法满足实时性需求。为了解决飞行器自主作战问题,实现飞行器自主实时解算最优对抗策略,本文采用深度神经网络技术对其进行深入研究,主要研究内容和创新点如下:首先,针对空空导弹与无人机之间的追逃博弈最优对抗问题,建立了微分对策数学模型,引入半直接法和Gauss-Legendre伪谱法,将微分对策模型转化为非线性数值规划模型求解了最优对抗策略。分析了空空导弹与无人机间博弈条件,依据博弈双方初始态势差异,设计了逃逸对抗策略和突防对抗策略两种策略,并根据可能的博弈结果建立了三种不同的追逃博弈微分对策数学模型,且分别进行了仿真验证。研究结果表明,无人机与空空导弹的距离较近时,采取突防策略,反之采取逃逸策略。其次,在研究空空导弹与无人机之间的最优追逃博弈前提下,提出了空空导弹不可逃逸区概念,并通过数值仿真获得不可逃逸区边界数据。通过数据处理后,采用DNN技术训练不可逃逸区边界数据,获得不可逃逸区DNN快速生成模型,实现不可逃逸区的实时生成功能。在此基础上,将不可逃逸区用于飞行器拦截制导仿真中,提出了CPNZ-PGL和CPNZ-SMGL两种制导律,与传统的PGL和SMGL制导律作对比。研究结果表明,CPNZ-PGL和CPNZ-SMGL制导效果明显优于传统制导律。最后,对无人机间最优对抗博弈问题进行了研究,结合不可逃逸区DNN模型,建立无人机间微分对策数学模型,且转化为非线性数值规划模型求解最优对抗策略。并采用DNN技术训练无人机间最优对抗策略和航迹,得到无人机最优对抗DNN快速生成模型,并将该模型用于飞行器拦截对抗仿真中,并与CPNZ-PGL制导律和全局最优拦截策略作对比。研究结果表明,DNN对抗模型输出的对抗策略明显优于CPNZ-PGL制导律,拦截效果与全局最优拦截策略近似。