雷达利用目标对电磁波的反射现象来发现目标并测定其位置,在战争中发挥了关键性作用,如何在纷繁复杂的战场环境中保护己方雷达不受敌方干扰攻击,同时确保雷达的正常工作这一问题逐渐引起广泛关注。在一般情况下,雷达干扰信号识别是雷达抗干扰的前提和基础,只有准确识别干扰信号的干扰样式,特别是威胁性较大的有源干扰信号的干扰样式,才能采取针对性的措施进行干扰抑制,提高己方雷达在现代战场环境中的生存率,因此研究雷达有源干扰信号的识别具有重大意义。本文针对传统有源干扰信号识别方法存在模型搭建复杂和实时性不高的问题,深入研究了基于深度学习的雷达有源干扰信号识别技术。针对深度学习网络训练时间长的问题,本文提出了基于改进的CNN模型的干扰信号识别方法,为了降低搭建模型的时间成本,同时缩短训练时间,本文提出了基于迁移微调学习模型的干扰信号识别算法。论文主要研究内容如下:1.讨论了常见的几种有源干扰信号模型,仿真分析了它们的时域和频域特征;研究了五种典型的信号时频分析方法对八种干扰信号的特征表示能力。仿真结果表明,CWD变换在时频分辨率、抑制交叉项能力和对干扰信号的表征能力三个方面均优于其它四类时频分析方法;2.分析了 CNN的原理,讨论了几种常见的深度卷积神经网络（DCNN）模型,为了提高CNN对干扰信号的识别性能,提出了一种基于改进的CNN模型的干扰信号识别方法。仿真结果显示,该模型在保证识别性能的情况下具有更快的收敛速度;3.为了提高深度学习的时间性能,本文将DCNN与迁移学习相结合应用于雷达有源干扰信号识别技术,给出了基于深度迁移学习的有源干扰信号识别方法,为进一步降低训练时间成本,提出了基于迁移微调学习的有源干扰信号识别算法。在PyTorch框架下实现了 AlexNet、ResNet18、VGG16、DenseNet121 和 GoogleNet五个网络的深度迁移学习,在Keras框架下实现了 VGG19、VGG16、ResNet50、InceptionResNetV2和InceptionV3五个网络的深度学习、深度迁移学习和迁移微调学习。提出了基于VGG16迁移微调学习模型的有源干扰信号识别算法,并对不同干噪比条件下干扰信号的识别进行了仿真实验。结果表明,与已有的AlexNet迁移深度学习模型和CNN模型相比,VGG16迁移微调学习模型的识别效果更佳,收敛速度更快,进而避免了传统深度学习方法中从零开始搭建、训练网络的繁杂过程。