电子战（EW）也称为电子对抗,是敌对双方争夺战场电磁频谱的斗争,电子对抗技术是当代信息化战场上十分关键的作战力量之一。其中,电子侦察中的检测与估计技术是电子战成功实施电子攻击和防护的首要任务和先决条件。然而,随着军事电子信息技术的快速发展,战场电磁频谱呈现动态、多变、密集、复杂等特征,给传统的检测与估计方法带来了前所未有的挑战。与此同时,深度学习技术快速发展,其相关技术在电子对抗中的应用也成为了当前的研究热点。本文在梳理了基于传统方法的雷达信号检测技术与参数估计技术的基础上,结合深度学习的自主学习框架,分别提出了雷达信号的智能检测和智能参数估计方法,并通过仿真实验对算法的有效性进行了验证。本文的研究工作具体包含以下几个方面:1、针对不同调制类型的雷达信号在时、频域同时存在混叠时,常规的检测方法可能存在漏检或无法检测的情况,提出了一种基于DeepLabv3+的雷达信号检测方法。首先将接收到的混叠信号进行短时傅里叶变换得到时频数据并存为时频图,在模型训练时,对背景噪声、信号分量以及重叠部分所在区域的像素点进行不同的语义标签处理,然后将时频图和语义标签同时输入DeepLabv3+网络模型进行训练,使模型能够实现对混叠信号的检测与识别。在此基础上,为便于后续对信号的处理研究,需要对重叠的信号进行分离。因此,在DeepLabv3+对信号检测的基础上,提出一种基于掩膜滤波和生成对抗网络（GAN）的混叠信号分离与重构技术。在DeepLabv3+对混叠信号的时频图检测后,能够得到不同信号所在的像素区域,将时频图上不同信号的像素区域映射到时频矩阵并对目标信号进行掩膜滤波得到单个信号的时频矩阵,并通过反时频变换得到残缺重叠部分的信号波形。将残缺波形输入训练好的GAN网络可以对信号的残缺部分波形进行重构,实现分离。2、对基于深度学习的雷达信号参数估计方法展开研究。针对时频变换中存在的测不准原理,提出了一种基于多尺度融合的时频分析方法,并结合深度学习的目标检测模型,对调频信号的参数进行估计。融合不同窗尺度下的时频分析结果,能够有效地缓解测不准原理中存在的缺陷,同时提高了时、频分辨力。将多尺度融合后的时频图以及信号所在位置的真实位置输入YOLOv5m网络,实现对信号的初始频率、带宽（BW）、脉冲到达时间（TOA）以及脉冲宽度（PW）的估计。然而该方法仅能对线性的时频关系进行估计,不适用于非线性调频（NLFM）信号中的频率-时间关系估计。因此,在信号时频范围被准确估计的基础上,对目标NLFM信号所在的时频区域进行截取,并从截取后的数据中提取极值作为信号的时频曲线,通过最小二乘法将时频曲线进行拟合得到较为精准的时频曲线,并对拟合曲线的调频系数进行求解,实现非线性调频信号的参数估计。