现代战争中,无人飞行器具备尺寸小、成本低、控制灵活且可以避免人员伤亡的优点。然而,随着越来越多的合作和非合作辐射源出现,现代战场电磁环境日益复杂,传统的无人飞行器雷达信号处理算法难以解决雷达侦察中出现的诸多难题。同时,由于目标辐射信号的抗截获能力不断提升,新型组网雷达系统的出现,单个无人飞行器搭载的侦察接收机已然无法在侦察敌方雷达时实现多域侦收并全方面地获取目标信息,因此需要多机分布式协同以应对复杂繁多的现代电子战带来的挑战。随着计算机技术与人工智能的快速发展,近些年来,深度学习成为了雷达领域中的研究热点,具备对电磁环境快速感知和应变能力的认知电子技术将成为未来雷达技术的研究方向。为了解决传统雷达信号参数估计与分选在现代雷达侦察中的局限性,本文研究了无人飞行器集群协同的雷达信号参数估计与分选算法。本文研究了分布式协同下的无人飞行器集群融合架构;研究了无人飞行器集群协同雷达信号参数估计算法;研究了无人飞行器集群协同雷达信号分选算法。本文的主要工作贡献如下:1、依据传统的多侦察接收机信息融合架构,给出了无人飞行器集群协同下的雷达信号参数估计与分选架构。利用多机接收信号模型与多普勒信息构建矩阵方程,利用最小二乘解对目标信号模型进行恢复。2、介绍了典型的雷达信号模型,研究了这些信号的时频特性及参数估计算法。对于单个侦察接收机参数测量误差过大的情况,利用多种数据融合算法对各侦察接收机提取到的雷达特征参数进行融合,以提高参数估计精度。由于传统的识别算法存在一定局限性,利用深度残差网络对雷达信号双谱特征进行训练,实现高精度脉内调制类型识别。3、研究了无人飞行器集群协同雷达信号分选的预处理算法,基于D-S证据理论实现多机协同分选。多机协同能够提供大量脉冲描述字样本,当具有先验信息时,利用Bi-LSTM神经网络训练脉冲描述字,实现高精度雷达信号分选。通过仿真验证了上述所有算法的有效性,并给出了算法的具体性能。