雷达有源欺骗干扰通过在真实目标附近产生与其在时频域、空域和极化域中均具有类似特征的假目标,来实现影响雷达工作性能,使其无法准确探测目标的目的,是电子对抗（Electronic Countermeasure,ECM）重要的干扰手段之一。为了尽可能地摆脱来自有源欺骗干扰的威胁,保障雷达正常工作,本文深入研究了典型欺骗干扰产生机理,阐述了雷达抗有源欺骗干扰的研究背景、意义和研究现状,总结了欺骗干扰识别技术目前存在的智能化需求、数据依赖以及多站雷达数据融合需求三大问题。针对深度学习中存在的同分布样本数据依赖问题,借助迁移学习知识迁移方面的优势,分别从微调（finetune）和域适应角度提出了单站场景下的有源欺骗干扰深度迁移识别方法,进一步地,提出多源域适应框架以满足多雷达融合需求。本文的主要研究工作包括以下几个方面:1.在单雷达站场景下,针对有源欺骗干扰对抗智能化需求和深度学习数据依赖的问题,将深度学习结合迁移学习,提出有源欺骗干扰微调识别方法:基于网络底层特征为通用特征的结论,利用在大量数据源预训练的成熟图像识别网络微调再训练的方法,来节省目标域欺骗干扰时频图像识别任务的数据量。实验结果表明利用微调方法后,在达到相同识别率的前提下,所需样本数量仅是随机初始化网络方法的50%。2.考虑到利用目标域小样本微调极易导致网络过拟合问题,即当出现与训练集分布不同干扰如新型干扰样式时,微调方法不再适用,进一步提出了基于深度对抗域适应的改进识别算法。借助源域数据的支持,应用基于生成对抗网络思想的域适应方法完成目标域数据的识别,并通过空间通道注意力机制使网络训练聚焦于时频图全局空间特征和高响应通道,以减少干扰时频图内可迁移性差的部分对目标域性能的影响。实验结果表明,相对传统特征,深度特征具有更强的鲁棒性与可迁移性,在源域目标域存在差异时,相比仅用源域训练方法,所提方法识别性能平均提升了16.9%,将注意力机制与域适应网络相结合,使网络特征提取聚焦于图像关键区域,模型的识别性能平均提高了2%。3.在多雷达场景下,针对多站雷达数据融合需求问题,为了实现各个站点数据在融合中心更加高效地融合,充分发挥网络化优势,本文在单源域适应的基础上提出了雷达欺骗干扰多源域适应识别框架,即在每个源域和目标域之间域适应约束基础上,添加各个分类器间差异的约束。实验结果表明,所提方法在训练集与测试集分布不同时,较常规融合方法识别性能平均提升了3%,较单雷达常规深度学习网络方法平均提升了4.5%。