El rápido avance de las tecnologías de persecución cinética ha aumentado significativamente la dificultad de evasión para los UAV de alta velocidad (HSUAV), particularmente en escenarios donde dos perseguidores que operan de manera colaborativa se acercan desde la misma dirección con intervalos de espacio inicial optimizados. Este artículo comienza derivando un intervalo de espacio inicial óptimo para mejorar la efectividad de la persecución cooperativa e introduce un marco de clasificación de dificultad de evasión, proporcionando así un enfoque estructurado para evaluar y optimizar estrategias de evasión. Basado en esto, se propone una estrategia de evasión de maniobra inteligente utilizando aprendizaje progresivo de clasificación semántica con gradiente de política determinista profundo retrasado doble (SCPL-TD3) para abordar los escenarios desafiantes identificados a través del análisis. La eficiencia del entrenamiento se mejora mediante el algoritmo SCPL-TD3 propuesto a través del empleo de aprendizaje progresivo para ajustar dinámicamente la complejidad del entrenamiento y la integración de la clasificación semántica para guiar el proceso de aprendizaje a través del reconocimiento significativo de patrones de estado-acción. Basado en el marco de gradiente de política determinista profundo retrasado doble, el algoritmo mejora aún más tanto la estabilidad como la eficiencia en entornos complejos. Se incorpora una función de recompensa especialmente diseñada para equilibrar el rendimiento de evasión con las restricciones de la misión, asegurando el cumplimiento de los objetivos operativos del HSUAV. Los resultados de simulación demuestran que el enfoque propuesto mejora significativamente la estabilidad del entrenamiento y la efectividad de evasión, logrando una tasa de éxito del 97.04% y una mejora del 7.10-14.85% en la velocidad de toma de decisiones.