恒虚警(CFAR)是雷达信号处理过程中的关键技术之一,能够在目标检测时保持恒定的虚警率。传统恒虚警处理以杂波的统计分布特性已知为先决条件,一种恒虚警处理方法通常只适用于一种杂波环境。随着海陆空一体化的发展,雷达的工作地域和环境经常变化,传统恒虚警处理方法难以对各种统计分布特性的杂波进行有效的处理。如果恒虚警检测器能够对不同的雷达杂波进行识别,根据不同杂波环境做出相应的处理,则可以使恒虚警检测器自适应于多杂波背景。因此,研究雷达杂波分类识别方法具有深刻的理论意义和应用价值。本文通过研究图像处理领域的卷积神经网络,提出了一种基于卷积神经网络雷达杂波识别的方法。通常瑞利杂波、韦布尔杂波、对数正态杂波和K分布杂波是雷达系统处理中常见的雷达杂波。通过使用ZMNL杂波模拟的方法产生出四类雷达杂波,组成用于卷积神经网络训练与测试的杂波数据集。在算法建模阶段,通过选取六种卷积层数目不同的网络结构,在同一个训练测试数据集下,根据六种网络的训练测试准确率,卷积层的运算次数,卷积层的参数量的对比分析确定出本文所采用的网络结构:四个卷积层的网络结构。经过训练与测试,本文所采用的网络对四类雷达杂波的分类识别准确率为99.51%。使用Deep Dream的算法对训练好的卷积神经网络进行可视化分析,论证了将卷积神经网络应用于雷达杂波识别的可行性。在算法建模完成后,基于FPGA平台对雷达杂波识别的卷积神经网络进行硬件实现。本文采用了软硬件协同的设计流程对算法进行硬件实现,包括C算法模型的设计、验证、硬件优化方案的选取、RTL算法模型的功能验证、逻辑综合与布局布线后的板级验证。在硬件实现阶段,通过分析卷积神经网络的数据流与运算方式选取了四种不同的硬件优化方案,对不同的硬件优化方案的性能与资源占用情况的分析确定出本文所采用的硬件优化方案。在RTL算法模型功能验证阶段,采取了C/RTL协同验证的方法,确保了RTL算法模型与C算法模型,MATLAB算法模型在相同测试数据集下识别准确率一致。经过逻辑综合与布局布线后,将硬件实现的算法模型在ZC706平台上进行了板级验证。验证结果表明,在相同的测试数据集下,硬件实现的算法模型与MATLAB的算法模型的识别准确率一致。表明该设计能够对雷达杂波背景进行分类识别,展现了良好的适应性与鲁棒性。