2019年,国内民航年旅客量达到13亿以上,同比增长6.9%。随着空域拥挤问题日趋严峻,航空业面临巨大挑战,包括空管人员的压力激增、航班延误率显著增加、飞行冲突问题突出等。其中,实现高效的冲突探测与解脱技术是保障飞行安全的首要任务,特别对于复杂、高密度的空域环境尤为重要。这项工作的进行也对维护飞行秩序、防止航空器碰撞、缓解空中交通压力、保障空中交通安全具有重大意义。面对巨大的空中交通压力,民航领域内的研究者相继提出了多种算法,包括经典算法和人工智能算法,但均存一定的局限性。本文主要研究内容包括:针对现有DDPG模型的状态、动作维度不能满足现实管制场景的需求,提出了基于多维度状态、动作的DDPG-Net单智能体短期冲突解脱模型;通过开源空中交通管制仿真平台OpenScope构建环境模型,以及OpenAI开源强化学习环境库Gym和BADA航空器性能模型,设计了一套模拟管制环境“AtcEnv”,并通过仿真系统的交互进行解脱策略的学习;通过相关的评价指标对模型进行解脱策略的评估与分析。模型中,智能体的解脱动作包含高度、速度以及航向角三个自由度,状态包括位置信息、与其他航空器的最小距离、速度等十个自由度。首先,本文利用Gym对仿真环境进行注册,对OpenScope进行功能性改造,引入成都双流机场最新进近区域内的固定点数据,包括各个扇区参数、进离场航线数据、进近区管辖范围数据等,设计了简单的进近区ATC管制环境。该环境包括独立的进场、离场情景,充分考虑了各种复杂情况下的冲突。其次,针对不同空域的复杂程度设计了相应的冲突场景,如航路上的交叉冲突以及对头冲突,进、离场时的对头冲突、超越冲突等,构建完备的冲突集。为了降低模型的复杂度,假设航空器在转弯过程中不考虑最小转弯半径的限制。最后,考虑到解脱动作的连续性以及智能体状态的复杂性,本文以保障飞行安全为前提,对航空器解脱策略进行研究。通过构建的空中交通管制仿真环境实现智能体之间的交互训练任务,设计了冲突解脱模型的奖励函数,采用深度强化学习中经典算法DDPG进行解脱策略的学习。仿真实验结果表明该算法对于多种冲突环境均能够搜索到较优的解脱策略,冲突解脱成功率达到89%以上,可以作为管制员进行冲突解脱的参考方案之一。本文的研究工作包括数据处理、仿真环境搭建、冲突场景构建和深度强化学习技术等,为解决民用航空领域中的空中交通冲突问题,提供了一种新的建模思想和解决方案。经过多次仿真实验的验证,证明了算法的有效性与先进性。