雷达是一种利用电磁波的反射或散射来对目标进行检测、定位、跟踪、成像以及识别的远程探测系统,它将瞬息万变的战场环境进行全方位、全天候的监控,是电子战首要针对和打击的对象。敌方通过干扰机释放各种类型的有源干扰,大大削弱雷达对目标的探测能力。此外,雷达还会接收来自箔条、地物、云雨等反射回波,这些无源干扰也会严重影响雷达作战性能的发挥,因此雷达抗干扰显的尤为重要。本文的研究目的是使雷达具有自动判别干扰类型的能力,然后选择合适且有针对性的干扰抑制方法进行对抗,并对干扰抑制后产生的剩余进行抑制。核心问题有两个,一是进一步提高对干扰类型判别的准确率,二是采用合适的方法对干扰抑制剩余进行剔除。本文从电子有源干扰中的压制性干扰和欺骗性干扰的特性出发,研究了常见的几种干扰样式的产生方式和对雷达的作用效果,并对其中的十类干扰进行特征提取和干扰类型判别。首先,研究这十类干扰的时域和频域的一维统计特性随干噪比变化的情况,并讨论了特征对噪声的敏感程度和类别之间的可分性;然后针对利用一维统计特征对干扰类型进行判别效果不理想的问题,引入图像分类的方法,将干扰信号进行时频变换,并提取变换后的二维时频图像特征或者对图像进行降维,进而进行类型判别。通过仿真实验表明,相对于基于一维数据特征的干扰类型判别方法,本文所采用的基于二维数据特征的干扰类型判别方法有较好判别效果,但计算量往往比较大。此外本文还介绍了自适应旁瓣相消和旁瓣匿影等常用的有源干扰抑制方法以及MTI和MTD等无源干扰抑制方法。但由于现实空间中环境复杂多变,存在各种类型的有源干扰信号以及呈现不同分布的杂波和系统噪声信号,使得雷达经过干扰抑制处理后,依然会检测出大量非目标的剩余点迹。真假点迹混合在一起,使雷达难以发现有效的目标信息,从而影响后续的跟踪处理。为解决这一不足,本文利用机器学习的方法,通过对检测出来的点迹进行点迹凝聚,继而提取出一些稳定可分的有效特征,然后构建分类器对点迹数据进行分类,以达到干扰剩余抑制的目的。仿真实验研究表明,本文所采用的方法对干扰剩余的抑制可以达到一个不错的效果。