由于低截获概率(LPI)雷达等复杂体制雷达的出现,常规的雷达信号识别方法已经失效,因此近年来如何对LPI雷达信号进行有效识别成为非合作雷达信号处理研究的重点。2006年以来,基于深度学习的人工智能技术得到了突飞猛进的发展,已经在图像识别领域取得了显著地成果。栈式稀疏自编码器(sSAE)是深度学习的常用模型之一,相对于传统的雷达信号识别算法,基于sSAE的自动识别算法能够利用信号数据本身,自动学习并提取信号时频图像中的特征,不仅减少了人工提取特征时的巨大工作量,提高了特征提取的效率,而且在低信噪比条件下显著提高了LPI雷达信号的识别效率。论文的创新工作及成果如下:首先,研究了基于CWD时频图像的图像预处理方法,通过预处理操作,不同信号之间的时频图像差异显著性增强,不仅去除了相关信息之间的冗余,而且降低了特征维度,在减少信号噪声影响的同时,又能比较完整的保留雷达信号时频图像中的特征,并且还可以简化识别部分的运算。其次,针对LPI雷达信号识别率低且特征提取困难的问题,本文研究了一种基于CWD和sSAE的自动分类识别系统。该系统从反映信号本质特征的时频图像入手,首先对LPI雷达信号进行CWD时频变换,把一维时间信号转换成二维时频图像。然后对得到的时频原始图像进行一系列预处理,并把预处理后的图像送入多层稀疏自编码器(SAE)进行离线训练。最后把经多层SAE训练后自动提取的特征输入softmax分类器,进行雷达信号的在线分类识别。仿真结果表明,在低信噪比条件下明显优于人工设计提取信号特征的识别方法。最后,针对随机森林(RF)分类器的优势和存在的问题,本文基于sSAE和RF分类器研究了改进的sSAE-RF算法。RF训练可以高度并行化,在大训练数据量和高特征维度时显示出明显的速度优势。但在信噪比较低时RF模型易陷入过拟合,造成分类效果较差,而且RF模型训练时间较长。然而,sSAE可以自动学习并提取信号的特征,在低信噪比条件下具有优异的分类识别结果。仿真结果表明,改进的sSAE-RF算法与RF相比,不仅提高了RF的模型训练速度,而且改善了信噪比较低时RF分类效果差的问题。