脉冲多普勒（PD）雷达体制因具有发射占空比大、平均功率高、作用距离远等特点,而得到广泛应用。随着电子对抗技术的迅速发展,雷达干扰手段逐步多样化、智能化,目前针对PD雷达的干扰种类繁多,包括噪声压制干扰、应答式转发式干扰和直接转发式干扰等等。及时识别干扰类型,对抗干扰决策有着重要意义。本文重点研究了基于卷积神经网络的脉冲多普勒雷达的电子干扰模式识别。针对多种类型电子干扰的信号时间与空间特点和雷达信号处理流程,利用深度学习技术,提出了一种基于卷积神经网络的PD雷达干扰模式识别方法。首先,对PD雷达数字基带回波信号经过匹配滤波和动目标检测后的二维数组采用两种采样方式进行预处理,其次利用深度卷积神经网络进行特征提取,然后使用Softmax分类器对干扰类别进行分类。仿真实验表明,本文所描述方法具有较高的识别准确率。传统雷达干扰模式识别算法依赖于人工特征提取和基于统计学或传统机器学习算法进行判别,算法易受人为因素影响,在准确率和鲁棒性方面存在一定改进空间。而近年来一些直接移植图像领域的深度学习算法在网络运算速度和模型体积制约了硬件平台的移植。本文提出算法创新性利用两种采样数据来代替大容量完整数据,在多种干扰类型中取得高达98%的识别准确率同时按照边缘计算硬件平台资源进行设计,模型体积小且算法运算流程较短。在此基础上,本文结合实际的科研项目,设计了一块VPX-3U标准的信号处理板卡。板卡采用DSP芯片+FPGA芯片的结构,既具备DSP的复杂算法的计算能力,又具备FPGA的并行计算能力。完成了原理图设计、印制板图设计和电路的调试测试。在此硬件平台上,本文完成了卷积神经网络干扰识别算法的编程、调试和测试。实验结果表明,算法运行正确,对干扰样式具有较高的正确识别率。