快速有效的雷达波形识别是电子战中的一个关键环节,在电子侦察系统中发挥着重要作用。随着军事技术的不断发展,电子对抗领域的竞争愈演愈烈,战场电磁环境日益复杂,并且随着以低截获概率雷达为代表的各种新体制雷达不断装备应用,使得在低信噪比条件下雷达信号的分选与识别面临诸多问题和挑战。本文研究了强背景噪声下的雷达波形识别问题,重点对雷达侦察接收机输出端的信号进行特征提取和分类识别。噪声信号采用加性高斯白噪声进行建模分析,因此本文定义的信噪比反映的是接收机输出端的雷达信号与加性噪声之间的关系。论文以雷达波形为研究对象,将深度学习理论用于构建分类模型,针对传统雷达信号脉内识别算法对噪声敏感、且只适用于有限信号类型等问题,采用时频分析与深度学习方法相结合,对所述问题提出了新的解决方案。提出的方法在低信噪比条件下实现了更多雷达波形的有效分类,并进一步提高了雷达波形的识别准确率,同时还将识别目标从有限的已知雷达波形扩展到更大范围的未知雷达波形。具体研究了以下三个方面的问题:1.针对低信噪比条件下雷达波形难以识别的问题,提出了一种基于短时自相关和卷积神经网络（CNN）的雷达波形识别方法。该方法结合短时自相关和时频分析理论,构造了一种新的能表征信号的特征图像,有效降低了信号噪声。同时采用双并行CNN构成特征融合分类模型,并根据信号特点合理设置超参数优化网络性能,实现了 15种雷达信号（包括LFM、NLFM、Costas、BPSK、Frank、P1、P2、P3、P4、T1、T2、T3、T4、LFM-BPSK 和 2FSK-BPSK）的自动分类。从算法的稳定性、还原度和识别率等方面,与常用雷达信号预处理算法和相关文献进行了对比,发现该方法不仅适合低信噪比条件下的雷达波形识别,而且具有更好的普适性。在信噪比为-6dB时,该方法对1 5种雷达波形的总体识别率达92.97%,在信噪比为-9dB时为73.5%。2.针对高性能深度学习模型设计中需要反复试验架构及调整参数的问题,将自动化深度学习方法引入到雷达波形识别当中,对神经架构搜索算法（NAS）可微分架构搜索（DARTS）进行了改进,提出了一种基于带分支结构可微分架构搜索算法的雷达波形识别方法。该方法在架构搜索阶段引入辅助分支结构,提高了 DARTS架构搜索速度的同时,增强了验证阶段的网络泛化性能。通过与手工设计网络、标准DARTS方法以及工业界的百度EasyDL方法进行对比,发现带分支结构的可微分架构搜索算法能够得到性能更优的分类模型,且架构搜索速度更快、雷达波形识别率更高。在信噪比为-6dB时,对15种雷达波形的总体识别率较之前的基于短时自相关和CNN的识别算法提高了近2%,特别在信噪比为-9dB时,总体识别率提升了近6%。3.提出了一种基于迁移学习的未知雷达波形分类识别方法。该方法在无未知雷达波形训练样本的情况下,能自动区分出截获的雷达波形是否来自新的目标物。首先通过CNN提取已训练样本和未训练样本的神经元,再利用迁移学习方法实现了已知雷达波形和未知雷达波形的区分。针对原始时频图和本文研究的短时自相关特征图对各类信号的不同特征表示,综合分类器对两种特征图像获得的不同决策结果,设计了一种决策融合分类模型,进一步提升了-6dB～9dB信噪比条件下对已知雷达波形和未知雷达波形的识别性能,有效解决了由于各种新体制雷达的频繁更新换代,分类器误将新的未知目标物判别为已知目标物的问题。