由于高频用户的增多,以及本地雷电、太阳黑子的影响,高频段电磁频谱十分拥挤,环境恶劣。因此如何为高频雷达选择可用工作信道,以提高高频雷达的探测性能和生存能力就变得十分重要。本文在传统电磁环境监测系统基础上,引入深度学习方法来辅助高频雷达工作频率选取决策,这对提高高频雷达的目标探测性能和生存能力具有极为重要的意义。具体研究内容如下:首先,利用已有电磁频谱监测硬件平台,对高频电磁频谱数据进行了采集和分析。通过对我国某中纬度和低纬度沿海地区的时-频谱图的比较分析,总结了两地白天和夜间的频谱占用规律;确定了稳定强干扰的位置以及通常寂静的频段位置;对频谱的统计特性参数进行了计算;确定了高频雷达工作信道可用性分类标准,为之后的频谱可用性评价和预测作准备。其次,将卷积深度置信网络应用到雷达工作信道可用性判别中。通过卷积深度置信网络对频谱特征进行提取,然后进行可用性分类。并对网络的隐层以及节点进行了可视化显示,表明该网络能够有效提取信道的背景噪声、稳定干扰和短时波动的轮廓信息。并通过实验对网络的深度和隐层的个数进行了确定。同时将分类结果与卷积神经网络、深度置信网络以及支持向量机进行了对比,本文结果优于以上传统方法。最后,研究了信道可用性预测方法和信道优选规则。提出了基于集经验模态分解的信道可用性预测方法。该方法将雷达工作信道可用性状态序列通过集经验模态分解进行处理,然后通过AR模型与Volterra级数模型对经验模态函数和残差分别建模预测。实验结果表明提出方法在单步预测时,对序列的短时波动具有极强地捕捉和预测能力,预测精度好于传统AR、Volterra方法。研究了基于循环卷积神经(RNN)网络的信道可用性预测方法。该方法现将序列通过经验模态分解方法分解为多个分量,然后通过多个RNN网络对各分量建模预测。实验结果表明,提出的方法具有良好的长期预测能力。建立了可用信道选取规则,结果表明选出的信道能在未来一段时间保持寂静、平稳,与人工判断一致。