随着现代电子频谱干扰技术的发展,雷达的工作环境日渐复杂,尤其是样式灵活的有源欺骗干扰给雷达的正常工作带来很大的挑战。为了保证雷达在面对干扰信号的影响下,仍然能准确、迅速的识别出接收信号中包含的干扰种类,并在多变的电磁环境下实施最正确的抗干扰方法进行对抗,对于当代雷达干扰信号的识别与抗干扰来说是研究的基础前提。本文主要的工作是针对面向雷达有源欺骗干扰进行研究,在分析其产生机理及工作特性的基础上,对雷达有源欺骗干扰的综合感知方法进行讨论,利用多维变换域以及多尺度分解理论,结合对三类拖引干扰及其混合干扰进行特征级分类识别。考虑到浅层特征的可分性较低,本文结合深度学习中的有关算法,对三类拖引干扰信号的分类识别进行了研究。论文的主要工作和研究成果如下:1.本文首先研究了距离拖引干扰、速度拖引干扰、距离-速度混合拖引干扰等三种常规雷达有源欺骗干扰的产生机理与工作特性,并由此建立了工作在拖引期的信号模型,为后续基于特征提取与深度学习理论的干扰识别算法提供可靠的理论前提。2.本文引入了一种多域多特征组合的方法,将三种雷达有源欺骗干扰信号的均值、方差、波形熵特征等时域特征,频域矩峰度、频域矩偏度等频域特征以及经过多尺度小波分解的高频细节分量、低频逼近分量等小波域特征相结合,根据在各干噪比(Jammer-to-noise Ratio,JNR)下提取特征的区分度及波动性,选择性能较优的特征构成一个特征向量,结合主成分分析(Principal component analysis,PCA),提取降维后有效维数的二次特征作为分类识别的特征向量,再利用支撑向量机(Support Vector Machine,SVM)进行训练及测试。仿真结果表明,利用降维后的二次特征训练SVM可实现对三种有源欺骗干扰有效的分类识别,并且分类识别正确率较高。3.本文为了获取三类拖引干扰信号的深层特征差异,考虑到深度学习模型对于深层信息有较好的挖掘能力,利用卷积神经网络(Convolutional Neural Networks,CNN)的方法实现对三类拖引干扰信号的有效识别,本文利用Pytorch框架构建了两个层数不同的卷积神经网络,除去输入与输出,它们的结构可以表示为:(1)卷积层两层与池化层两层、最后一层为全连接层的五层网络;(2)卷积层三层与池化层三层、最后一层也为全连接层的七层网络。利用干扰数据分别对这两个网络进行训练与测试,实现对三类信号的分类识别。对比两组仿真实验发现,利用卷积神经网络进行三类拖引干扰信号的分类识别主要与网络的复杂程度、不同JNR下损失函数(Loss)的收敛情况、每一层卷积层的卷积核数量以及训练集中样本的训练次数等参数有关,分别对这些参数进行分析与优化,可以得到在一定干噪比下,两组卷积神经网络对三类干扰信号的识别结果较好,并且其识别结果比直接利用浅层信号特征进行分类的正确率高出许多。这说明卷积神经网络在处理有源欺骗干扰这类一维信号数据上也是有效且具有实际意义的。