当今时代,随着雷达组网信息融合技术的飞速发展,无人机协同将成为未来电子对抗领域的重要发展趋势,是实现从传统“单对单”到智能“网对网”的转变的有效应对方式。在掩护突防场景中,科学合理的雷达干扰资源分配技术不仅可以降低对方组网雷达的软实力,为后续态势发展提供先机,而且可以从专业理论角度为中央指挥人员提供决策指导,意义非凡。本文针对基于电子对抗的雷达干扰资源分配技术进行研究,主要工作包括以下几方面:（1）对无人机组网协同干扰样式资源进行了研究。从典型有源干扰样式角度出发,详细介绍了协同噪声干扰样式、协同闪烁干扰样式的协同策略,并提出了一种新构型下的多环路反向交叉眼干扰样式,并对该样式下影响交叉眼干扰的性能进行了理论推导与仿真分析。结果表明,该新构型下多环路反向交叉眼干扰的增益明显增大,且在给定角度因子的情况下,参数容限也较为宽松,只取决于干扰距离和干扰机转角两个因素。（2）对无人机组网资源分配评估方法进行了研究。简要概述了当前的电子对抗领域普遍采用的四种干扰效果评估准则,就传统的基于雷达信号处理的事后干扰效果评估方法,对比分析了典型的五种压制式干扰和三种欺骗式干扰对雷达的干扰效果。此外,还研究了基于干扰评价指标的资源分配评估方法,从掩护目标的整个飞行过程中雷达的不同工作阶段出发,提出利用多指标融合隶属度函数,来指导无人机起飞前的干扰资源预分配过程。（3）对基于改进GAPSO算法的干扰资源预分配技术进行了研究。搭建了基于合作的电子对抗资源分配模型,对不同干扰样式的影响因子进行了分析,构建了指导无人机组网协同的干扰资源分配目标函数,并借助改进的基于二维并行编码的GAPSO算法对搭建模型进行求解。仿真结果表明,改进的GAPSO算法相比于PSO和CPSO算法而言,不论是在寻优能力上,还是在收敛代数上都得到了明显改善,且求解所得的干扰资源分配方案对组网雷达的检测概率影响更大。（4）对基于改进Q-学习算法的在线干扰资源分配技术进行了研究。提出了基于GAPSO-SVM的雷达威胁源识别方法,通过对主、客观两方面威胁指标权重的融合设计实现了组网雷达威胁度的评估,并利用改进Q-学习算法以组网雷达威胁度最小化为评估指标,对干扰场景下的干扰资源进行了优化分配。仿真结果表明,改进Q-学习算法对于在线干扰资源分配具有明显的有效性。