正交频分复用（OFDM）波形外辐射源雷达是一种通过被动接收非协作方发射的OFDM波形信号来对目标进行跟踪或定位的双/多基地雷达。然而,此雷达的目标信息提取过程面临着弱目标被同时接收到的直达波和多径回波所淹没的问题。针对这一问题,传统信号处理方法利用雷达回波数据的稀疏性、基于压缩感知重构算法来提取弱目标信息,但这些方法需要人工设置基矩阵和正则化参数等。随着人工智能的崛起和迅速发展,许多学者开始结合深度学习的思想和方法来解决雷达目标信息提取领域中存在的问题。本文将回波距离-多普勒（Range-Doppler,RD）域数据的稀疏性与基于压缩感知重构算法的深度展开网络相结合,探究了一种全新的基于迭代收缩阈值算法（Iterative Shrinkage Threshold Algorithm,ISTA）的复数化深度展开网络（CV-ISTA）的外辐射源雷达弱目标信息提取方法。具体的研究内容如下:（1）从基于OFDM波形信号的外辐射源雷达工作原理入手,对外辐射源雷达的接收端信号模型、信号的处理流程以及匹配滤波技术进行阐述,对几种常见的传统杂波抑制方法进行介绍和分析,并且着重分析了回波信号在RD域的稀疏性,CV-ISTA网络的相关原理以及网络模块复数化原理,为将深度学习方法应用于外辐射源雷达领域弱目标信息提取做铺垫。（2）针对传统算法依赖于人工参数选择的问题,本文首次提出基于CVISTA网络自适应学习RD域数据稀疏模型特征的弱目标信息提取方法。该方法首先结合稀疏模型对深度展开网络复数化;然后结合RD域数据的杂波稀疏模型特征,创新性地提出稀疏分量分步估计的弱目标信息提取方法;最后针对外辐射源雷达实测数据样本稀少并且没有目标标签的问题,提出基于OFDM波形仿真的数据集生成和网络训练方法,验证所提方法的有效性,并利用实测数据作为测试集进一步测试本文所提网络的泛化能力。（3）针对接收端无法获得不含噪声的外辐射源雷达数据,为了提升CVISTA网络在实测含噪数据中的应用性能,本文结合自监督学习和‘Noise As Clean（NAC）’策略,提出了基于并行网络训练结构的CV-ISTA网络（ParallelCV-ISTA）来对噪声进行处理,以进一步提高网络提取弱目标信息的能力。最后同样利用仿真数据集和实测数据集验证了所提方法的有效性。