雷达对抗中欺骗干扰是一类重要的干扰手段:敌方干扰机通过转发电磁空间中的雷达回波,对我方雷达造成欺骗干扰,让我方雷达误认为空间中存在着大量目标,从而达到隐藏真实目标的目的。为了对抗欺骗干扰,本文将欺骗干扰生成过程建模为一个Hammerstein-Wiener模型,将雷达接收回波量化,映射到模型参数空间中,并加以分类,同时利用组网雷达多角度观测和信息共享的优势,融合组网雷达内各雷达的信息,以此识别和检测欺骗干扰,改进和提升了原有的方法。本文的主要研究工作如下:1.将欺骗干扰生成过程建模为Hammerstein-Wiener模型,并介绍了模型参数辨识中常用的惯性权重粒子群算法、自适应小生境遗传算法和神经网络算法,为后文提出的模型辨识新方法提供了理论支持。2.针对上述智能算法搜索时间慢,解精确度不高的问题,本文在基本神经网络的基础上,增加了卷积层,加大了算法中对模型细微变化的关注度,引入了卷积神经网络算法在模型辨识中的应用。利用此算法进行欺骗干扰识别和检测,并将其与惯性权重粒子群算法、自适应小生境遗传算法、神经网络算法进行对比。仿真实验结果表明,卷积神经网络算法相较于智能算法和基本神经网络算法,具有精度高速度快的特点,符合了电子战中准确性和实时性的要求。3.完善了组网雷达下欺骗干扰识别的流程,提出了两种多雷达的融合方式,分别从特征层和决策层进行信息融合,推广单雷达识别方法到多雷达,提升了原有方法的性能,仿真结果表明,在5部雷达融合的背景下,相较于单雷达欺骗干扰识别算法,特征层融合算法识别率提升8.1%,决策层融合算法识别率提升12.3%,证明了融合算法的有效性。