干扰样式识别作为电子对抗系统中的重要组成部分,是实施具有针对性抗干扰措施的前提,同时对各类新型电子干扰甚至是复合干扰的识别是雷达通信对抗领域研究的重点。干扰识别完成后,需要有针对性的采取时域、空域、空时联合等抗干扰技术,保证雷达系统正常工作。神经网络在模式识别以及解凸优化问题等方面都有广泛的应用。针对传统基于神经网络的干扰识别方法步骤复杂且识别准确率受人为因素影响较大的缺陷,提出了一种基于长短期记忆单元(LSTM)的深度学习雷达干扰自动识别方法。考虑到波束形成技术在增强期望信号的同时对干扰和噪声具有较好的抑制效果,在现有优化算法的基础上构建了一种新的稳健自适应波束形成算法模型,并对该优化问题采用一种高效稳定的反馈神经网络算法求解得到最优权。本文主要工作将围绕以上几方面展开讨论与研究。文章首先提出了一种基于LSTM网络的雷达干扰识别方法,该方法能够自动学习不同种类干扰信号的内在区分特征,因此该网络只需要输入干扰类型的时频域序列信息就可以自动完成分类识别任务。文章首先介绍循环神经网络以及LSTM网络的结构图,说明了该神经网络模型适用于处理时间较长的序列信号数据,之后将干扰的时频域序列信息输入进网络进行训练,训练过程中不断调整超参数以达到最好的网络结构,得到训练好的网络之后用于未知干扰类型的识别。仿真结果表明,与传统基于概率神经网络的干扰识别方法相比,所提方法无需对信号预处理以及提取特征值等操作,且对于干扰类型识别准确率更高。在稳健波束形成技术部分,论文在最差性能最优化算法、范数约束优化算法等算法的基础上,提出一种新的稳健自适应波束形成算法,该算法在优化代价函数中使用不等式约束,降低了阵列系统的自由度消耗,有效提高系统对干扰的抑制能力。理论分析表明,所提算法是通过约束波束形成器灵敏度大小的方式来提高对导向矢量误差以及协方差矩阵误差的稳健性。理论分析还可以看出,该算法可以归属为对角加载类算法。最后,利用一种反馈神经网络结构,解所提优化问题,获得最优权值。可以证明,所提算法与最差性能下最优化算法相比具有更小的波束形成器灵敏度,因此在存在导向矢量误差以及协方差矩阵预估误差时具有更好的稳健性。仿真结果显示所提算法在多干扰存在、低采样快拍数以及多种导向矢量误差情形下,相比于上述经典算法都具有性能优势。