近年来,随着无线电技术在电子侦察、通信、对抗场景中的广泛应用,各种电磁信号充斥于电磁对抗空间,逐渐形成了一种信号密集、动态多变的复杂电磁环境,并且这些信号间的影响关系呈现出愈渐复杂的趋势。在复杂电子对抗环境中,对抗双方需要对非法信号进行入侵目标意图识别及入侵战术类型意图识别,从而及时调整合法信号源之间的信息交换方式。目前,上述意图识别任务在日渐复杂的电磁环境中仍然存在着对时空关联性捕捉能力不足的问题。因此,针对上述问题,本文的主要研究方向为基于图学习的复杂电磁对抗环境中的意图识别,主要工作内容如下:1.构建电磁目标间相互影响关系的拓扑结构图。通过将电磁信号数据构建成拓扑图结构,利用拓扑图从整体层面反映空间实体间丰富关系的优势,直观呈现电磁信号源之间复杂的相互影响关系。结合实际应用场景,本文分别构建了单一非法信号源视角下的电磁目标间影响拓扑图以及包含了多个非法信号源视角下的电磁目标间影响异质拓扑图,为后续研究提供了基础的分析框架。2.提出基于时序图卷积网络的单一非法信号源入侵目标意图预测模型。针对电磁目标间空间关系复杂以及电磁环境时序动态变化特点难以捕捉的问题,本文利用图神经网络与门控循环网络相结合的模型分别在空间与时间维度进行特征提取,对单一非法信号源视角范围内合法电磁目标的通信状况进行建模,并进行实验仿真分析。并针对采用随机初始化导致入侵意图识别效果不稳定的问题,引入了注意力机制对输入节点的权重进行指导。改进后的模型能够更准确地学习场景的时空关联性,并且预测结果在不同复杂度的样本中准确率都能维持在80%以上。3.提出基于时空异质图卷积网络的多个非法信号源入侵意图识别模型。当多个非法信号源同时出现时,不同信号源的战术意图类型可能不同,仅对每个非法信号源的入侵目标进行独立预测忽略了不同类型非法信号源间的复杂关系,导致最终意图识别准确率较低。针对上述问题,本文提出基于异质图神经网络的模型,聚焦电磁目标的异质特性,对不同电磁目标间的攻击、协助、侦察关系进行建模,并对不同非法信号源本次入侵意图的具体任务类别进行预测。实验表明,基于异质图神经网络的具体意图类型概率值预测与基于传统神经网络的模型相比,在均方根误差、平均绝对误差指标上都有明显下降,说明该模型能更好地预测时空关联的电磁目标意图类型。