随着雷达干扰技术的发展,更多具有特定干扰效果的雷达有源干扰样式相继被提出,尤其是一些具有高逼真度、复杂多变的雷达新型有源干扰的出现,使得雷达的性能受到了前所未有的挑战,引起了国内外相关领域研究者的高度重视。为应对雷达新型有源干扰对雷达系统带来的威胁,论文以雷达常用的线性调频信号为基础,对几种新型有源干扰识别技术展开研究。考虑到实际应用场景,着重对雷达接收到的干扰和目标混合的回波信号进行理论分析、特征提取与干扰识别方法研究。本文的主要工作有:首先,本文综述了几种新型有源干扰的产生原理与作用机制。针对频谱弥散干扰、切片组合干扰以及间歇采样重复转发干扰的产生原理建立其数学模型,并从信号时域和频域上进行仿真与分析;同时,本文研究了干扰信号与线性调频信号之间的关系。结合干扰信号的产生原理与仿真结果可得出,频谱弥散干扰、切片组合干扰以及间歇采样重复转发干扰在一定条件下均具有欺骗性与遮盖性的双重干扰效果。其次,针对干扰信号的时频分析结果,将信号处理与图像处理技术相结合,寻找新型有源干扰之间的特征差异。根据干扰信号之间的形状差异与纹理差异,提取基于Zernike矩的形状特征和基于灰度共生矩阵的纹理特征,并基于上述两类特征采用支持向量机对干扰信号进行分类与识别。实验结果表明,两类时频特征用于干扰分类与识别时均具有良好的性能。最后,运用决策树、支持向量机与BP神经网络分类器,在JSR为5dB固定不变的条件下,仿真了干扰和目标混合的回波信号在不同JNR条件下的识别效果。仿真基于JNR为5dB时的训练数据,采用决策树对干扰信号进行识别,当JNR大于5dB时,干扰信号的识别率均可达到95%以上。对于支持向量机,选取了JNR分别为0dB、5dB与10dB时的训练数据进行仿真分析,仿真结果表明,在JNR为5dB与10dB时的训练数据情况下,当JNR达到5dB时,干扰信号的识别率均达到了100%;而在JNR为0dB时产生的训练样本下,只有在JNR为0dB附近时,干扰信号的识别率才可达到95%以上;同时,分析了不同核函数条件下的支持向量机对干扰信号的分类识别效果,实验结果表明,基于线性核函数的干扰效果优于径向基核函数的。采用BP神经网络在JNR为5dB时的训练数据下对干扰信号进行识别,在JNR为2dB时,干扰信号识别率均可达到95%以上。此外,对三种分类器的分类性能进行细致的分析与对比,得出了支持向量机更适合识别本文研究的几种干扰的结论。