如今,随着雷达技术的快速发展,雷达对抗技术也在随之发展。干扰效果评估作为认知电子战里的重要一环,必须具备快速、智能的能力。相较于传统的雷达干扰效果评估方法中引入过多的人为因素缺陷,智能的评估方法成为目前雷达干扰效果评估的主要研究方向。本文针对雷达干扰效果评估问题,主要研究了基于径向基(RBF)神经网络算法的评估方法,以及基于粒子群优化反向传播(PSO-BP)神经网络算法的评估方法。本文主要内容为:首先,介绍雷达对抗技术,其中包含雷达侦察技术,雷达干扰技术以及雷达抗干扰技术,通过对雷达干扰样式和雷达抗干扰方式进行分析,得到雷达数据特征。其次,针对评估指标选取问题,结合干扰效果评估构建准则和干扰效果评估战技指标,选取能够体现雷达工作方式发生变化的雷达参数集,从而分析获取干扰评估指标向量。然后针对处理雷达参数信息不足的情况下,应用基于RBF神经网络算法的雷达干扰效果评估方法,利用RBF神经网络在处理回归问题上时间复杂低的算法性能,实现指标集和最终评估结果相映射。最后针对处理雷达信息参数充足的条件下,提出了基于PSO-BP神经网络算法的雷达干扰效果评估方法,利用PSO算法对BP神经网络的权值和阈值进行更新,根据更新后的BP神经网络对评估向量进行干扰效果评估。通过仿真基于RBF神经网络算法的评估方法,验证了在雷达参数信息数据量较少的情况下,该方法在一定的误差条件下的有效性。通过仿真PSO-BP神经网络算法的评估方法,验证了在雷达信息数据量充足的情况下,该算法处理评估问题上表现的优异性。仿真对比了相对单一的BP神经网络与PSO-BP神经网络,验证了PSO算法优化BP神经网络的初始化权重和阈值后,神经网络的性能有了明显的改善,评估结果更为稳定精准。仿真对比了RBF神经网络算法以及PSO-BP神经网络算法,验证了在数据量充足的情况下,PSO-BP神经网络算法的评估结果更为精确,性能表现更为稳定,利于在离线状态下处理雷达信息充足的情况;在数据量较少的情况下,RBF神经网络在一定的误差条件范围内得到的评估结果时间较短,利于在实时状态下处理雷达信息量缺乏的情况。