近年来,随着数字信号处理技术、计算机科学技术和集成电路技术的快速发展,各种新体制雷达技术都取得了革命性的技术突破,其中多功能相控阵雷达取得了特别引人注目的发展。多功能相控阵雷达是目前战场中常用雷达体制。多功能相控阵雷达具有波束快速扫描、波位快速捷变、波形复杂、功率管控等特点,导致对多功能相控阵雷达的侦收面临小样本问题,给传统的雷达工作模式识别等问题带来挑战。在复杂的电磁环境中,如何实现小样本多功能相控阵雷达工作模式分析与智能识别,已经成为现代电子战亟待解决的关键问题。本文围绕多功能相控阵雷达边搜索边跟踪（TWS）、搜索加跟踪（TAS）、多目标跟踪（MTT）、单目标跟踪（STT）模式在小样本环境下的智能识别开展研究工作。论文的主要工作和贡献如下:1、在多功能相控阵系统结构的基础上,分析了边搜索边跟踪、搜索加跟踪、多目标跟踪、单目标跟踪模式的时、频、空域特点并完成建模。总结了现有典型的多功能相控阵雷达工作模式识别方法针对小样本环境的不足。2、针对小样本环境下多功能相控阵雷达工作模式识别问题,分析了条件生成对抗网络（CGAN）、深度卷积生成对抗网络（DCGAN）、标准生成对抗网络（GAN）对样本扩展性能的影响及对小样本数量的敏感度,明确CGAN的优势;分析了Alex Net、letet、Resnet网络对多功能相控阵工作模式智能识别性能的影响,明确Resnet网络的优势。提出了基于CGAN与Resnet的小样本多功能相控阵雷达工作模式智能识别方法。通过仿真对比实验,验证了该方法在小样本条件下的有效性。3、分别提出基于深度迁移学习和深度LSTM的小样本多功能相控阵雷达工作模式智能识别方法。研究并比较了已经充分训练的VGG16、VGG19、Dense Net121网络基于模型迁移的方法对小样本多功能相控阵雷达工作模式智能识别性能,仿真实验验证了深度迁移学习方法的有效性。同时对深度LSTM网络在小样本多功能相控阵雷达工作模式智能识别问题进行了研究,仿真实验结果证明了深度LSTM算法的有效性。