随着雷达干扰技术的不断发展,特别是数字射频存储(DRFM)技术的出现,使得干扰机能在短时间内截获雷达信号,调制并转发与之高度相干的干扰信号,严重威胁雷达的正常工作。研究雷达干扰识别算法是对抗雷达有源干扰的重要前提,目前对雷达干扰识别算法的研究尚处于起步阶段,具有深远的研究意义。本文结合DRFM干扰机的结构,研究了DRFM有源欺骗干扰识别算法,主要研究工作包含如下几个方面:1.研究了基于DRFM技术的有源欺骗干扰原理及特性。首先阐述了DRFM干扰机模型,并分别以DRFM干扰机的模数转换器(ADC)和数模转换器(DAC)为例,研究了干扰信号的谐波失真特性;其次针对脉冲体制雷达的测距原理,以距离假目标干扰为例仿真分析了距离维欺骗干扰原理;最后针对脉冲多普勒(PD)雷达的测速原理,以移频转发干扰为例仿真分析了速度维欺骗干扰原理。2.针对干扰机数控移相器的谐波特性,提出了一种基于奇异谱分析(SSA)的DRFM速度欺骗干扰识别算法。首先研究了DRFM干扰机数控移相器的工作模型,并仿真分析了其在多普勒域上的谐波寄生特性。其次提出了基于SSA的DRFM速度欺骗干扰识别算法。该算法首先利用SSA分解信号在同一距离单元上的多普勒频谱,获取其奇异值序列;然后提取奇异值序列统计直方图的方差、峰度、偏度、能量以及熵特征构建特征向量;最后利用支持向量机(SVM)作为分类器实现对雷达目标与DRFM速度欺骗干扰信号的识别。该算法不再依赖现有ADC相位量化的谐波模型,且在较低干信比下能有效识别出干扰信号,仿真验证了该算法的有效性。3.针对基于模拟移频方式的DRFM干扰机所产生的延时叠加干扰的多普勒频率特性,提出了一种基于卷积神经网络(CNN)的延时叠加干扰识别算法。首先阐述了延时叠加干扰的信号模型,并仿真分析了其与真实多目标在雷达PD处理后的距离-多普勒图像上的差异;其次研究了CNN的主要结构,并根据识别任务构建了本算法的CNN结构;随后研究了CNN的训练算法原理和推导公式;最后提出了基于CNN的延时叠加干扰识别算法。该算法首先对接收信号的距离-多普勒图像做预处理,然后将预处理之后的样本送入构建的CNN中进行训练,最后利用训练好的网络对测试样本进行测试,得到算法的干扰识别率。该算法将深度学习理论引入干扰识别领域,且在较低信噪比下能有效识别出干扰信号,仿真验证了该算法的有效性。