认知雷达利用目标和环境的先验信息,优化接收端和发射端的信号处理方法,实现“接收端—发射端”闭环处理,提高了对地理和电磁环境的适应性,从而拥有更高的性能,这是雷达技术发展的重要方向之一。本文围绕认知雷达及其认知行为,主要在以下几个方面开展理论分析、方法研究、架构设计与仿真验证等工作:(1)查阅国内外认知雷达相关研究资料,分析了传统雷达架构的劣势、典型认知雷达系统架构的特点,在此基础上,对认知雷达系统架构进行改进,使其更具有实用价值。(2)针对环境知识库,通过获取静态环境信息,提出了“地理位置分区→先验知识类别→先验知识内容”的层次化建模方法;针对波形库,通过线下获取先验知识,提出了“波形类型→信号参数及其变化模式→信号参数值域”的层次化波形参数库建模方法,提出了“时间信息—波形参数—雷达状态”的层次化历史波形数据库建模方法,为基于知识的认知雷达信号处理提供更有效、更有针对性、存储更合理的先验知识。针对环境知识库和波形库,提出了智能化的调度方法,实现了“获取动态先验知识→更新动态知识库→辅助认知雷达信号处理”闭环流程的自动化、智能化,增强了认知雷达系统的实用性和可操作性,提高了认知雷达工作的效率。(3)利用环境知识库中提供的杂波先验知识,仿真实现了基于杂波先验知识的CFAR检测算法。通过引入环境知识库中的杂波先验知识,筛选参考单元,弥补了传统CFAR算法在参考单元分布各异情况下的处理能力的缺陷。通过仿真,验证了在非均匀杂波背景中KA-CFAR(knowledge-aided-CFAR)算法对虚警性能和检测性能的有效提升。(4)针对认知雷达自适应波形优化问题,通过第三章中提出的波形库的自适应更新方法,优化波形参数集,改善了波形选择性能;利用历史波形数据库,构建并训练神经网络,实现了快速波形选择,仿真验证了神经网络实现波形选择系统的准确性,并且运算速度提升了两个数量级,实现了对波形选择系统的优化。通过对波形选择算法框架的改进,实现了基于准则切换的波形优化方法,在认知雷达受到干扰后,切换自身波形选择准则,在保证自身跟踪性能的同时,达到了反侦察的目的,仿真验证了方法能有效降低对抗方的辨识率。