雷达情报侦察作为雷达对抗的关键一环,在现代电子战(Electronic Warfare,EW)中发挥着至关重要的作用。然而,随着有源相控阵(Active Electronically Scanned Array,AESA)等技术的快速发展,多功能雷达(Multi-Function Radar,MFR)得到了广泛的应用,并且发展成为一种具有多功能、多任务、多种工作模式,高数据率、高可靠性和高度智能化的感知系统,展现出极强的灵活性和自适应能力,给雷达对抗技术带来了前所未有的挑战。因而,在与威力日益强大、功能趋于完善的MFR进行动态博弈的过程中,电子情报(Electronic Intelligent,ELINT)侦察系统必须具备及时准确地感知MFR内部状态动态变化的能力,才能引导对抗装备敏捷地决策出最优的对抗策略。正因如此,对MFR的认知已成为当前雷达对抗领域亟待突破的问题。为了更准确地描述MFR信号的规律和特征,本文定义了“雷达行为”的概念,即“雷达对战场态势及电磁环境作出的内部资源分配与外部信号辐射等所有反应的总和”。在此基础上,本文以防空雷达网突防场景中的电子对抗为背景,紧密围绕MFR行为的特征,利用ELINT系统截获的MFR信号数据,结合句法模式识别、离散时间动态系统、人工神经网络等理论工具,从MFR行为的特征表征、建模、辨识和预测四个方面入手,开展了一系列研究:在对MFR行为特征的表征方面,研究了能够适应复杂捷变MFR信号的表征方法。从雷达辐射源脉冲流分选后形成的单部雷达脉冲序列入手,将雷达字作为MFR行为特征表征的载体,分析了MFR雷达字序列具有的马尔可夫性质;开展了多层级MFR信号模型扩展研究,对传统句法模型中的概念进行适当延伸,改进了雷达字的表征和存储方式,将句法模型方法的适用范围扩展到所有常规的脉冲雷达;在扩展后的MFR信号结构模型框架下,提出了两种改进的MFR雷达字提取算法,更有效地利用了信号中的参数信息,提高了MFR雷达字提取的准确率。行为建模方面,将MFR雷达字序列生成视为离散时间动态系统,研究了基于预测状态表示(Predictive State Representation,PSR)模型的MFR信号逆向建模方法。在常规的PSR发现与学习算法的基础上,提出了针对MFR信号改进优化的建模训练算法,并对各步骤实现流程进行了详细阐述。复杂度分析的结果证明改进算法能够有效控制算法的复杂度;仿真实验结果进一步验证了所提算法能够实现较高的建模精度,并显著提高建模和训练的效率。行为辨识方面,研究了对MFR工作模式的辨识方法。基于MFR的句法模型,分别提出了知识辅助和数据驱动的MFR逆向建模方法,用于构造与MFR行为规律对应的自动机,进而实现MFR工作模式的辨识;在基于PSR的MFR工作模式辨识框架下,提出了基于栅格滤波器的识别算法,利用PSR表征能力强的优势,可以实现比隐马尔可夫模型(Hidden Markov Model,HMM)更好的识别效果;针对工作模式转移概率不易获取的问题,提出一种预测状态累积的识别算法,降低对先验信息的依赖。行为预测方面,研究了对MFR信号序列的预测方法。提出了基于PSR的预测算法框架,并在此基础上提出基于线性PSR预测器的MFR信号序列预测算法,显著降低了复杂度;进一步提出一种步间迭代的预测算法,将低阶预测的结果作为高阶预测的条件,通过迭代方式实现MFR信号的多步预测,同时避免了因为未来观测组合的不确定性带来的高计算量;提出一种将PSR与BP神经网络相结合的MFR信号序列预测方法,分析了输入和输出层神经元设置、隐藏层数和神经元数的确定以及激活函数和训练算法的选择等问题,利用训练后的BP网络开展MFR信号序列预测,取得了较好的效果。论文的研究成果完善了MFR行为特征表征的理论,构建了MFR信号的逆向模型,提出多种MFR行为辨识和预测的算法,从而为智能化的干扰决策和雷达对抗提供理论指导,并为认知电子战的工程化应用提供技术支撑。