雷达信号识别作为雷达对抗系统中的一个重要环节,在电子侦察中发挥着无可比拟的作用,该环节包括雷达信号分选及雷达工作模式识别两部分。雷达信号分选是将随机交叠的脉冲流分离成各个雷达单独的脉冲串,雷达工作模式识别是根据雷达分选后的结果识别出各个雷达的工作模式。从雷达辐射源信号中获得的信息越多,越能精准识别出对方雷达的工作模式,从而对其行为意图加以预测并进行有效干扰。然而在实际情况中,接收到对方雷达信号的脉冲样本数可能是极少的,这使得对雷达工作模式的识别面临许多困难。传统的雷达工作模式识别方法均是以拥有大量的训练样本为前提,例如基于机器学习的支持向量机算法和基于深度学习的卷积神经网络。以上方法当训练样本数很少时,均会出现准确率下降及泛化性能变差的问题,难以完成小样本场景下的雷达工作模式分类任务。因此,如何在样本量很少的情况下识别出对方雷达的工作模式,并提高识别准确率具有重要研究意义。本文的主要工作和贡献可以归纳为:1.研究了基于多类支持向量机和卷积神经网络的小样本雷达工作模式识别,并进行仿真实验对比,仿真结果表明此两种算法在小样本场景下的识别性能较差。2.提出基于原型网络和图卷积神经网络的小样本雷达工作模式识别算法,并与传统识别方法进行仿真对比,对比结果表明上述两种算法的识别性能均优于传统的多类支持向量机及卷积神经网络。3.提出了将雷达工作模式的特征参数及其变化规律作为先验知识的使用及编码方法,特征参数包括脉冲重复间隔、脉冲载波频率及脉冲宽度。4.提出了将先验知识融入原型网络和图卷积神经网络,从而辅助小样本雷达工作模式识别的方法。仿真结果表明,通过对先验知识的利用,两种网络的识别准确率分别提升了3.7%和8.7%。在此基础上,本文进一步提出了当先验知识不准确及部分缺失时,如何利用上述两种网络完成小样本雷达工作模式识别的方案。