随着电子对抗技术的不断完善,信息化战场电磁环境日益复杂,电子战的胜负取决于能否获得关键电磁信息。在面对电磁环境中复杂多变的有源干扰信号时,雷达需要准确、快速地分辨出接收信号中的干扰类别,才能选择最适合的抗干扰措施。深度学习（Deep Learning,DL）具有强大的学习能力,可以提取信号间的不同特征,利用深度学习可以使雷达快速判断信号类别,具有一定的实际意义。本文的主要工作是研究电磁环境中存在的雷达有源干扰信号。通过分析信号的产生机理和工作特性,对雷达有源干扰的识别分类方法进行讨论,利用信号的时域特性和时频图,结合深度学习算法对目标回波信号以及13种有源干扰信号做识别分类,主要应用的深度学习算法是卷积神经网络（Convolution Neural Network,CNN）和长短时记忆网络（Long Short-Term Memory,LSTM）。考虑到单一网络模型提取到的信号特征维度有限,本文提出了CNN和LSTM级联的模型,提高了对各类干扰信号的识别准确率。论文的具体工作和研究成果如下:1.对目标回波信号、两种压制式干扰信号、七种欺骗式干扰信号以及四种复合干扰信号的产生机理和工作特性进行分析,完成建模仿真。然后根据时频分析得到14种与高斯白噪声叠加后的信号脉间和脉内的时频分布图。最后对信号的脉内时频分布图做预处理,并将预处理后的图像与时序序列分别构建数据集,为后续干扰识别分类奠定数据基础。2.研究基于CNN和LSTM的有源干扰识别分类算法。首先分析CNN和LSTM的理论模型设计过程,提出了三种算法:基于信号时序序列数据集和1-D CNN模型的算法、基于信号时序序列数据集和LSTM模型的算法、基于时频图像数据集和2-D CNN模型的算法。然后对三种算法逐一进行仿真,分析在不同干噪比条件下不同算法的分类准确率以及对每类干扰信号分类精度。最后对提出的三种分类算法做对比分析。3.单一的神经网络模型对电磁环境中存在的复合干扰信号的分类效果较差,因此本文采用复合神经网络模型提高对复合信号的分类效果。提出LSTM和CNN的串联和并联模型,针对模型的不同的级联方式,仿真分析了模型在不同干噪比条件下的分类精度以及对每类干扰信号的分类能力,并且对两种模型在计算量、运算时间、分类效果等方面做比对分析。仿真结果显示两种级联模型相比于单一模型都可以提高对各类信号的分类效果,但并联模型分类效果更优,串联模型运算时间和计算量更小。