与传统的相控阵雷达相比,多输入多输出(Multiple-InputandMultiple-output,MIMO)雷达采用波形分集、极化分集、频率分集、空间分集等技术,可以实现更宽的虚拟孔径、更大的自由度、更强的目标识别能力、更优的抗干扰性能等,因此,MIMO雷达在雷达领域具有重要的研究意义。MIMO雷达根据天线相邻单元之间的距离不同,可以分为两种MIMO雷达。其中集中式MIMO雷达的天线相邻单元之间的间距较近,大致与波长相当,而分布式MIMO雷达则天线相邻单元之间的间距较远。本文主要针对集中式MIMO雷达,采用基于原子范数去噪的方法进行高分辨搜索波达方向(DirectionofArrival,DOA)参数估计,采用基于稀疏贝叶斯学习联合卡尔曼滤波的方法对跟踪DOA参数进行估计,并对智能化认知雷达的体系结构进行了深入研究。具体研究内容主要包括以下三个方面:1.基于集中式MIMO雷达的单次快拍DOA估计问题,传统的基于非稀疏重构的方法如子空间方法,包括多重信号分类(MultipleSignalClassification,MUSIC)等,通常需要多次快拍数才能获取到合理的协方差矩阵,而普通的基于稀疏重构的方法如稀疏贝叶斯学习(SparseBayesianLearning,SBL)等通常具有较高的计算复杂度。本文提出了一种基于原子范数去噪的方法近似逼近MIMO雷达系统中接收信号,其中稀疏性通过原子范数来测量可以保证连续域上的稀疏逼近。但是,该原子范数去噪问题为非凸优化问题,无法高效求解。本文通过理论推导原子范数的对偶范数,构造了一个半正定矩阵,将基于原子范数的去噪问题转化为其对偶范数的半正定规划问题,该问题为凸优化问题,可以有效的求解,从而去除原始接收信号中的噪声。最后,通过对去噪信号进行空间谱峰值搜索来估计DOA。仿真结果表明,所提出的方法在单次快拍的情况下可得到快速运动目标的超高分辨DOA估计结果。2.基于集中式MIMO雷达的DOA跟踪估计问题,提出了一种联合稀疏贝叶斯学习方法和卡尔曼滤波方法的高分辨DOA跟踪估计方法。该方法首先利用基于稀疏贝叶斯学习的DOA估计方法来估计目标的初始DOA,先将空间离散化为多个网格,然后再对每一个网格的散射系数稀疏逼近,最后通过计算其均值和方差得到每一个网格的概率分布函数,非零的散射系数代表该网格是目标从而获得目标的DOA初始估计结果。再根据运动目标的时间相关性,采用卡尔曼滤波对快速运动目标角度进行连续跟踪滤波处理,得到目标在跟踪方式下的高分辨率DOA估计值。仿真实验表明,该方法能得到快速运动目标跟踪的高分辨DOA估计值,并且解决了网格偏离(off-grid)问题。3.随着人工智能技术的迅速发展以及现代战争的认知技术发展,旧的认知雷达(CognitiveRadar,CR)体系结构已不能满足认知雷达发展的需求。基于此提出了一种智能化认知MIMO雷达的新体系结构,将接收机到反射机的反馈拓展为从接收机到信号处理再到发射机的反馈,并提出基于强化学习的智能环境感知方法OOEDA方法,并结合人工智能深度学习离线训练和在线处理提出深度学习信号处理融合传统信号处理的新信号处理方法,提出采用大数据分析技术对雷达数据进行挖掘以及统一雷达架构和内外部接口标准的设计思想,并设计了一个数字/半实物/实物仿真测试实验平台来验证智能化认知MIMO雷达新体系结构的可行性,并采用强化学习DDPG(DeepDeterministicPolicyGradient)网络对波束进行自适应优化和DOA估计,验证了融合人工智能方法的新信号处理方法在性能和智能化认知程度上优于传统的信号处理方法。该体系结构是一种基于认知无线电思想,结合人工智能技术的软件可定义的认知雷达体系结构。