针对复杂体系需求分析中传统方法依赖人工迭代、策略空间探索不足且参数覆盖不全的问题，提出一种基于强化学习和蒙特卡洛仿真多样本生成的体系需求提取方法。该方法构建深度强化学习与蒙特卡洛仿真双路径协同的样本生成框架：强化学习路径通过多智能体自主博弈生成围绕高效策略分布的对抗样本，蒙特卡洛路径通过对参数空间的随机抽样生成覆盖边缘案例的场景样本，两者共同形成兼具策略深度与参数广度的多样化样本库。在此基础上，通过成功模式挖掘、失败瓶颈识别和关联规则提取，将样本分析结果转化为层次化的体系需求清单。以多智能体协同防空反导为验证场景，实验结果表明，所提方法生成的协同策略任务成功率较规则基线提升约22%，边缘场景覆盖类型扩展至11类，提取的探测距离、火力通道等需求指标在边缘场景验证中成功率显著优于对比方法，验证了从仿真数据到需求指标转化路径的有效性。

需求分析；深度强化学习；蒙特卡洛仿真；多样本生成；多智能体系统