海上威胁是我国目前乃至未来主要面临的挑战之一,而且海上态势复杂多变,情报数据信息十分庞杂,仅仅依靠传统的情报处理方法——作战指挥人员或者相关工作人员人工处理分析是远远不能够应对当前大数据环境下信息化作战的发展趋势。因此本论文采用基于海上大数据的应用场景,对海上舰船的目标群组的识别、经典轨迹的生成与预测、目的意图的推理做了进一步的研究。本论文首先对AIS原始数据使用大数据处理方法清洗并存入大数据环境中,采用基于频繁项集挖掘的方法——基于Hash表拆分数据库和节点交换的方法改进FP-growth算法,获取海上舰船的目标群组信息。然后对目标群组的轨迹数据使用改进的DBSCAN算法进行轨迹聚类,生成群组目标的经典轨迹,随后本论文提出基于长短时记忆网络和选择性丢弃的轨迹预测模型,完成群组目标短时间内的轨迹预测,为后续的意图推理奠定轨迹基础。最后,在分析群目标经典轨迹和历史航行规律的基础上,本论文提出使用基于动态贝叶斯网络模型的行为意图推理方法,基于时间、空间、目标、事件、任务等知识要素,以行为意图的分解和执行过程的分析作为切入点,建立了描述行为意图规划分析过程的序列贝叶斯网络模型,能够完成复杂的海战场环境下群目标的意图推理。在系统实现过程中,本论文使用2亿多条AIS原始数据,清洗处理之后保留8000多万条数据用于目标群组以及经典轨迹相关算法的检验。并且使用舰船意图仿真数据用于意图推理部分算法的检验。实验结果表明,本论文的相关网络模型能够快速处理大量复杂的海上数据,为作战指挥人员提供有效的数据处理手段,并且最终对于海上群组目标的行为意图推理提供模型支撑。