非合作方的通信信号重构是复杂电磁环境构建的重要组成部分。传统信号重构方式需要对目标信号进行复杂的参数测量与分析,实施难度高,工作量大。生成对抗网络（Generative Adversarial Networks,GAN）可以在目标信号特征未知情况下,通过两个神经网络互相博弈的方式去拟合信号在空间中的分布,为解决非合作方的通信信号重构问题提供了有力支撑。生成对抗网络由一个生成网络与一个判别网络组成。生成网络生成与样本相似信号去欺骗判别网络,判别网络则会去区分样本信号和生成信号,通过二者的不断对抗,直至生成网络能够生成符合目标信号特征的信号,判别网络无法辨别目标信号与生成信号之间的差异为止。本文主要研究内容如下:1.针对具有帧结构的信号,采用了一种基于自注意力生成对抗网络（Self-Attention Generative Adversarial Networks,SAGAN）的信号重构算法,利用SAGAN中自注意力机制使网络能够捕获到输入信号所有样点之间的相关性,网络可以学习特定帧和有效负载各自之间存在的位置和长度,以及学习目标信号调制样式、频率带宽以及特定帧中符号信息等特征。2.针对直接序列扩展频谱（Direct Sequence Spread Spectrum,DSSS）信号,采用了一种基于VAE-GAN的信号重构算法,VAE-GAN中编码器可以为生成器提供具有目标信号特征的数据输入,从而使生成器更易学习DSSS信号中较高维的伪随机（Pseudo Random,PN）码序列特征,另外VAE-GAN可以为生成器提供一个真实数据与生成数据之间的损失,使网络训练时更加稳定。3.针对单模型只能适应单一 PN码序列长度的DSSS信号以及在较低信噪比下模型会学习到过多噪声特征而忽略信号本身特征等问题,提出了一种改进的VAE-GAN信号重构算法,利用深度残差收缩网络（Deep Residual Shrinkage Networks,DRSN）对样本信号进行降噪处理,并且模块中的残差网络可以使模型适应不同PN码序列长度的DSSS信号,结合自注意力机制可以使网络关注到整个输入数据中不同位置数据点之间的相关性,从而完整获取较长PN码序列信息。