雷达是现代战争中不可或缺的组成部分。随着电子对抗技术的快速发展,雷达所面临的环境也日益复杂。通常雷达的接收信号中,除了所需的回波信号之外,往往还包含着大量的干扰。由于这些干扰的存在,使得雷达在对目标进行跟踪和检测的时候存在着极大的困难。因此为了使得雷达能够进行正常的工作,就需要对接收到的信号中不同干扰进行分类,从而针对不同的干扰来进行抑制和消除。但是由于雷达的特殊性使得无法获得大量的数据来进行相关的特征提取和识别分类,在此背景下,本课题针对于不同种类的雷达干扰进行仿真和数学建模,并在后续中对小样本条件下数据进行数据增广,利用支持向量机以及卷积神经网络方法来对小样本条件下的不同雷达干扰进行分类实验,主要研究内容包括:（1）对常见的干扰包括阻塞式干扰、瞄准式干扰、函数扫频干扰、间歇采样转发干扰、灵巧噪声干扰、密集假目标干扰、距离拖引干扰以及灵巧噪声+密集假目标干扰的复合干扰进行仿真,并对仿真后的干扰进行验证,为后续的干扰分类识别提供依据。（2）对现有的分类器模型进行相关知识的学习,包括支持向量机以及卷积神经网络两种,并建立相关的分类器模型以便于对后续小样本条件下的雷达干扰进行分类。（3）针对于小样本情况下的干扰数据,本文使用生成对抗网络来对数据进行增广,并在原始生成对抗网络的基础上,使用了三种改进的生成对抗网络,包括:WGAN-GP、CGAN、CGAN。并在后续实验中通过比较原始数据以及利用三种生成对抗网络生成的数据的时域图以及幅度归一图来观察三种网络的生成效果。（4）通过在小样本条件下的使用支持向量机分类器以及卷积神经网络分类器来对雷达干扰数据进行分类研究,根据最后的分类准确率得出两种分类器模型的优劣。并在后续的实验中加入使用三种生成对抗网络生成的数据与原始数据一同作为新的训练集,在测试集不变的条件下观察其之后的识别准确率,通过对比最后的识别率得出在小样本条件下使用生成对抗网络进行数据增广能够对最后干扰的识别准确率有所提升。