对流层波导是一种自然现象,经常发生在海洋环境中,是一种异常的大气状态。这种现象的存在,会对在对流层中传播的电磁波产生较大的影响,将它们陷获在波导层中,从而影响到需要利用电磁波进行工作的无线通信设备。因此进行对流层波导监测和反演的相关研究是十分必要的。由于进行对流层波导结构的直接测量具有很大的难度,所以提出了一种使用易于测量的雷达杂波进行对流层波导反演的(Refractivity From Clutter,RFC)技术。本文区别于传统方法,基于目前较为火热的人工智能领域,将深度学习与RFC技术相结合来进行对流层波导的反演,详细介绍了反演流程,分析了反演结果,验证了深度学习在海杂波反演对流层波导中的可行性,建立了不同类型波导的高精度反演模型。主要研究内容如下:1.介绍了对流层波导的几种具体类型及其对应的修正折射率剖面模型,详细说明了对流层波导形成的环境条件,并介绍了用于研究波导传播的抛物方程及其求解的具体方法,分析了电磁波能够形成对流层波导传播的几个必要条件,为后续的反演研究提供了基础。2.讨论了对流层波导环境中电磁波传播损耗的基本特性及其计算基础,然后基于深度学习的LSTM网络建立了对流层波导环境下的传播损耗预测模型,并利用多组数据对训练好的模型进行验证,结果表明,利用LSTM进行预测,具有高精度,高效率的优点,且在较远距离处也能取得准确的预测结果。3.根据对流层波导剖面参数与海杂波功率之间的复杂非线性关系,结合深度神经网络(Deep Neural Network,DNN),建立了利用RFC技术反演对流层波剖面的模型。对影响深度学习反演精度的因素进行了多方面分析,根据分析结果,选取最优的参数来对DNN进行训练,最终得到一个最优的反演模型,将其应用在波导的折射率剖面反演问题中。结果表明,与之前的算法相比,深度学习在对流层波导的反演问题中具有更好的准确性。4.由于对流层波导在水平距离上也表现出不均匀性,因此,通过PCA法提取了波导剖面水平非均匀参数的特征向量并进行建模。接着,详细叙述了反演模型的构建过程,分别以蒸发波导和表面波导为例,通过深度神经网络拟合了水平不均匀的波导参数与海杂波功率之间的映射关系,从而实现了水平非均匀对流层波导反演。相比传统的粒子群方法,取得了精度更好的结果,同时也节省了大量的时间。