现代战争已经是海陆空天电五维战争,雷达作为战争“哨兵”在现代战争中扮演着举足轻重的角色。然而复杂纷繁的电磁环境能够遮蔽战场之眼—雷达,使得雷达在电子信息战中致盲,导致战争失利。当前战争正逐渐演化为作战双方雷达技术对抗博弈,干扰与抗干扰是雷达对抗中的一个重要研究领域。伴随数字射频存储技术的日趋成熟,出现了可自主操作性好、灵活性强、与信号高度相似的雷达灵巧干扰样式,其兼具强欺骗性和压制性,干扰性能好。而传统的抗干扰方式具有针对面窄,局限性大,不够灵活,干扰抑制效果差的缺点,因此亟需新的抗干扰方法抗衡雷达灵巧干扰。在科技的飞速发展进程中,机器学习、深度学习等人工智能方法快速发展。由于深度学习能够深入挖掘样本数据的内在规律,近年来大量研究人员将深度学习引入雷达识别方向,旨在采用智能化的手段实现干扰信号的有效甄别,继而解决以往抗干扰方法的困境。本文针对雷达抗干扰问题进行了基于BP神经网络、卷积神经网络和循环神经网络的雷达信号检测与干扰辨识技术研究。首先,针对现有公开的雷达数据集分散、标准不一的问题,本文使用电子系统级仿真软件System Vue全自主的搭建雷达目标回波一体化模型,用于生成雷达回波信号。通过与实测数据相比较验证了模型的效果与可实施性。其次,对利用了数字射频存储技术的雷达灵巧干扰类型采取了可视化对比,使用仿真平台自主的搭建了雷达灵巧干扰一体化模型。使用干扰机对实测数据进行采样并生成干扰信号,脉压分析结果与仿真一致,确定了模型的正确性。为现有深度学习雷达数据集缺少的问题给出一种解决的契机,有效的弥补了雷达回波数据集的空白,也对深度学习应用于雷达领域给出了数据集支持。最后,完成了雷达信号检测与干扰辨识的智能化方法研究。研究了BP神经网络、卷积神经网络和循环神经网络框架模型。采取Tensorflow自主设计搭建了循环神经网络模型实现信号双择检测和干扰双择与多择识别,然后与BP神经网络、卷积神经网络对比显示出循环神经网络与卷积神经网络识别率较好,在雷达信号识别领域具有深远的探究价值。