随着雷达对抗技术的发展,组网雷达已逐渐应用于实际战场,雷达的网络化使雷达性能进一步提升,同时对抗组网雷达的难度加大。正确识别雷达组网方式对于我方对抗组网雷达和指挥决策有着重要意义。雷达组网方式的识别过程是从雷达网的组网原则和探测原理出发,根据实时侦收到的网内特征信息与情报信息,依据相关模型识别雷达组网方式。论文从模式识别的角度,研究内容基于现阶段雷达组网协同工作特性,及组网雷达之间的关联关系,构建智能识别模型,实现组网雷达拓扑的识别。论文研究内容和成果如下:（1）深入分析了四种典型组网方式下的雷达工作特性。针对复杂电磁环境下雷达组网方式反演问题,融合侦察接收机探测到的雷达和通信信息以及先验信息、战场情报等,分析雷达布站模式、雷达工作模式、通信个体以及通信方式等信息在不同组网方式下的特点。结合不同组网方式下雷达之间的协同关系,仿真生成不同组网方式下的雷达探测场景和网内信息数据集。（2）提出一种融合注意力机制的混合神经网络拓扑识别方法。混合神经网络由CNN和LSTM构成,CNN层用于对输入数据进行卷积运算和池化操作,以实现特征的提取;LSTM层用于提取时间维度的时延信息。混合神经网络能够全方位深度学习到输入数据的特征,从而提高分类的准确率和抗干扰能力。不同的组网方式关注的特征不同,为了弱化无关信息的影响,引入注意力机制,为不同特征分配差异化权重,进一步提高了拓扑识别的准确率。（3）提出一种适用于少量标记数据的雷达组网方式识别方法。该方法基于BP神经网络和支持向量机（SVM）,融合BP神经网络在少样本下的学习能力及SVM在少样本下的强分类特性,克服了复杂神经网络训练样本不足时分类效果不佳的缺点,提高了在少量标记数据下的分类能力。（4）仿真实验及模型测试。采用网格搜索确定模型的超参数,在标准数据集上验证模型的可行性,在仿真数据集上测试模型的性能,并采用机器学习常见的评价指标评估模型的性能。