认知雷达可以根据电磁环境自主调整雷达发射机参数,这使得认知雷达在战场上面对干扰时状态可灵活切换,以保证认知雷达始终处于最优的工作状态。认知雷达的出现使得传统的基于ELINT库匹配的侦察方法不再有效。本文从雷达行为的角度研究认知雷达,采用深度学习方法使得侦察系统具备对认知雷达行为特征提取和辨识的能力。本文的研究内容主要有以下几个方面:1、研究了认知雷达的基本模型。本文从雷达信号级开始对认知雷达的信号特征进行研究,研究了雷达信号调制方式、认知雷达自适应波形选择机制和雷达工作模式。2、从雷达行为的角度对认知雷达进行表征。研究了雷达行为的概念和划分,并建立了认知雷达的行为模型和描述方式。3、研究了深度学习网络结构。针对一维、二维卷积神经网络研究了其基本网络模型,并研究了深度神经网络的训练方法。进一步研究了图像检测领域中的faster r-cnn网络模型。4、采用深度学习方法实现雷达信号的调制识别。首先研究并仿真了雷达信号在频域和时频域的变换方法,包括傅里叶变换、平方谱变换和时频变换的方法。在低信噪比情况下,联合频谱、平方谱和时频图,采用多个并行CNN实现了16种复杂调制信号的调制识别,经测试,信噪比在-2dB以上时,16种信号的识别正确率在90%以上;在脉冲交叠的情况下,根据时频图,采用faster r-cnn实现交叠信号的检测、识别和参数提取,仿真测试表明,3信号混叠时,信噪比在0dB以上时,信号的漏检率和虚警率均保持在5%以下,信号的识别正确率在92%以上,参数估计的误差率在4%以下。5、设计多通道一维CNN网络识别4种雷达模式。经测试,脉冲丢失率在4%以下时,工作模式识别准确率在90%以上;脉冲丢失率在10%以下时,识别准确率保持在70%以上。研究了认知雷达信号波形预测的技术方法。提出了认知雷达波形采集和数据库构建方案,并设计了波形预测的深度网络模型。6、设计了本文构建的深度网络实现平台,该平台结构包含对认知雷达行为特征提取和行为辨识的所有算法。根据深度网络规模不同设计了含有加速芯片和不含加速芯片两种方案,其中结合Xilinx的FGPA深度学习加速平台研究了深度网络硬件加速的关键技术和部署流程。