低截获雷达可以通过控制发射功率,防止被截获识别的雷达,具有反隐身性。对这种信号的波形识别在电子战中非常重要。本文主要针对低信噪比条件下,波形的识别算法进行研究,重点研究接收机采样预处理后的信号波形识别问题。本文结合利用时频分析和卷积神经网络,进一步提升了识别准确率,并在10种调制方式的仿真数据集上进行验证。同时以信号分析的视角再理解卷积神经网络,提升了算法的可解释性。本文的主要研究内容和贡献如下:1.针对低信噪比识别准确率较低的问题,提出利用WVD变换和基于MobileNet1.0-V2的网络相结合的识别算法。在5次随机重复抽样的验证下,相比前人的研究成果,信噪比为-8dB时,本文方法比基于LeNet的方法提升了约20%,信噪比为-10dB时,比基于ResNet的方法提升了约3.5%,同时具有较小的时间内存消耗。2.针对时频分析方法种类较多,难以选择的问题,梳理对比常用的时频分析方法。发现Wigner-Ville变换更适合作为识别能力较强的卷积神经网络的输入。并在后续实验中,得到了初步验证,信噪比为-8dB时,使用本文方法,Wigner-Ville变换作为输入比Choi-Williams变换作为输入,准确率提升约3%。3.针对在实验中卷积神经网络种类较多,难以选择的问题,梳理对比五种经典网络。发现其在ImageNet上的准确率、时间和内存消耗的指标数据,与在低截获雷达信号数据上的对应指标数据,具有一定的正相关性,具有潜在指导选择网络的意义。4.针对应用在信号分析领域的卷积神经网络缺乏解释性的问题,以信号分析的视角对其重新描述。对卷积核和池化及其参数、卷积核之间的级联和分解,以及卷积神经网络对Wigner-Ville变换的意义等方面分别阐述,提高了卷积神经网络算法的可解释性,同时具有潜在的指导卷积神经网络设计和使用意义。5.在重新描述卷积神经网络的基础上,将信号分析领域中的时频不确定性理论,定性推广到卷积神经网络中的卷积核上,得到特征的局部性(卷积核大小)和特征的细腻性(卷积核纹理)的不确定性。具有潜在指导设计和使用网络的意义。