当今战争形态已经从传统的机械战、电子战，转向了信息战。多传感器系统的存在，使得信息来源非常广泛多样，我们一方面要做到综合这些不同传感器的信息，一方面要处理各种不确定的、模糊的信息，从而产生比任何一个单一信源都更加精确的评估和判决，将不确定性降到最低。
贝叶斯网络被认为是数学基础最强的不确定性处理理论，动态贝叶斯网络是由贝叶斯网络发展来的，具有良好的随时间演化的能力。通过动态贝叶斯网络可以将人类的先验知识和后验的数据无缝地结合，然后利用闭环的动态贝叶斯网络拓扑结构进行不断的学习，从而降低信息融合过程中的不确定性。
为什么信息是不确定的？ 1）传感器性能的局限；2）敌方故意实施干扰、欺骗。
战场态势瞬息万变，态势评估就是根据不断到来的数据逐步达到对敌方作战意图和作战计划的识别，是实现作战指挥自动化的极其关键一环。
态势评估和威胁评估的任务是从大量散乱的、密级的情报信息中进一步提取指挥员关心的战场上重要的影响战役战斗进程的情况和事件信息，并进行评估、分析、预测。是去粗取精、去伪存真的智能化分析处理过程。
态势评估的主要内容：聚合实体、推理实体意图。
贝叶斯网络是概率论+图论的产物。
贝叶斯网络主要由两部分组成：网络结构和条件概率表。
传统贝叶斯网络只能进行静态过程的推理，难以反映时间因素对事件概率的影响，而且传统贝叶斯网络是有向无环的，和战场态势的闭环特点不符合，而动态贝叶斯网络在这两点上都可以满足。
战场态势评估中构建贝叶斯网络的方式：通过借鉴战争领域丰富的模型知识，用条件概率表示对抗中的因果关系，从而建立威胁评估贝叶斯网络模型。
贝叶斯网络作为一种可描述不确定信息的专家系统,在构造态势威胁评估模型上具有以下优点：
1）贝叶斯网络类似神经元网络,能够充分描述人类的推理模式,网络的图形方式还便于模型开发人员的理解和开发。
2）量化描述威胁源评估的过程。
3）贝叶斯概率的特点使网络模型能够反映威胁源评估的连续性和累积性这两个重要特征。模型中,综合最新的事件线索和从先验信息得到的后验信息,得到的评估结果不仅反映了当前的信息,而且综合了历史和先验知识。这种时间一致性特征在采用基于规则和基于神经元网络等无记忆方法时是无法实现的。
4）贝叶斯逻辑在数学上的可靠性使该模型成为一种描述人类思维推理过程的标准模型。标准化意味着通用性,开发者之间的协同和交流成为可能。而传统的专家系统是完全面向任务的,不同的任务采用的模型千差万别,通用性较差。
