近年来,随着无人飞行器相关技术的迅速发展,无人飞行器的任务范围由后勤支援延伸到战术任务和战略攻击性作战任务,并作为传统侦察手段和杀伤武器的补充,被应用于定位探索、对敌侦察和电子对抗等领域中。无人飞行器的广泛应用、战场环境的复杂性以及约束条件的模糊性和强耦合性,对航迹规划系统的智能化提出了极大的挑战。本文以航迹自动规划过程中规划算法难以兼顾复杂约束以及交互规划过程中缺乏专家经验知识导致规划效率低的问题为研究背景,结合机器学习相关理论和技术,研究基于知识积累和知识学习的航迹规划策略学习方法。这些规划策略用以辅助规划人员进行航迹规划,减少规划难度,加快规划速度。策略学习方法的构建需要解决三个问题,首先是如何设计和采集能够体现规划专家知识和经验的学习样本,这些知识和经验体现在专家采取何种规划策略以应对众多的航迹约束条件和复杂的飞行环境;其次是如何处理样本数据并提取规划策略;最后是如何实现策略反馈并使策略对航迹规划进行有效的引导。在规划操作数据的收集过程中,制定了样本采集的准则和流程,并设计了样本的具体结构。通过分析约束自身特性和规划人员的操作特征,将约束分为飞行器环境约束和飞行器特性相关约束两类。为进一步对复杂约束进行有针对性的学习,把飞行器特性相关约束进一步细分,提出约束的层次结构模型,最终实现样本分类管理。在策略学习方法研究中,根据规划人员的操作特征,采用集成学习中的XGBoost算法学习飞行器环境约束的规划策略,并采用聚类算法中的K-prototypes算法归纳总结出飞行器特性相关约束的规划策略。同时,为便于计算机计算和规划人员理解,飞行器特性相关约束的学习结果用一阶谓词逻辑的形式语言表示。在基于策略反馈引导的航迹规划过程中,当所规划的航迹不满足约束条件时,策略反馈模块依据约束条件和规划环境将学习得到的规划策略反馈给规划人员,对规划人员进行有效的规划策略引导。实验结果表明该方法能有效提取航迹规划策略,规划过程中可以给出令人满意的策略引导信息,降低规划人员的劳动强度和对知识、经验的依赖,有效提升航迹规划效率,降低软件使用难度。