雷达作为一种传感器,其获取信息的过程是与环境和目标相互作用的过程。在复杂多变的战场环境中,仅利用雷达回波中携带的目标和环境信息及一成不变的信号处理方式很难得到良好的性能,这是传统雷达所面临的问题,也是雷达进一步发展需要解决的问题。发掘并利用雷达探测环境相关的先验知识,实现基于知识的智能化雷达信号处理被认为是解决此问题和提高雷达整体性能有效的思路之一。这也是作为下一代雷达研究方向的“认知雷达”系统理论的重要组成部分,即和周边环境交互的智能信号处理系统。因此,如何在雷达信号处理中尽可能多地利用各种形式的先验知识已成为目前国内、外的研究热点。本论文的研究将围绕雷达自适应信号处理中先验知识的融合技术展开,研究工作以雷达自适应检测及图像预处理等应用为对象,主要包括以下几个方面:1)提出了一种间接利用先验知识的方法,即利用先验知识进行训练数据及自适应滤波算法选择。通过分析指出广义内积(GIP)和采样矩阵求逆(SMI)是两种比较有效的非均匀样本数据检测(NHD)方法,但当训练数据被干扰目标或孤立干扰污染时,这两种NHD方法的均匀样本选择性能会下降。为克服上述缺点,提出了一种新的样本选择方法,将待测距离单元杂波先验知识融入到自适应滤波算法的训练数据选择中。同时基于该方法,讨论了一种自适应滤波算法的智能选择实例。首先,用上述训练数据选择方法将雷达回波数据分为均匀和非均匀两类样本数据,然后针对不同类型的待测样本数据智能地选择不同的滤波算法。通过滤波算法的智能选择,提高了雷达目标检测和干扰抑制性能。2)提出了一种直接利用先验知识抑制杂波的方法。对于机载相控阵雷达,当载机速度和雷达参数给定时,杂波谱在角度-多普勒空间的分布轨迹(杂波脊)是先验已知的。论文充分利用这一先验知识,提出了一种在非均匀环境中稳健的杂波滤除方法。该方法同广义相邻多波束(GMB),局域联合处理(JDL)等算法在角度-多普勒空间局域化杂波的基本思路相似,但区别是该方法主要利用杂波脊在角度-多普勒空间上的结构特点滤除杂波。为了利用该特点,采用了一种简单的模型模拟杂波谱分布,并且利用回波数据和环境先验知识估计模型参数。这是一种开环的滤波方法,具有运算量小,没有收敛过程等优点。3)提出了基于贝叶斯框架直接融入先验知识的雷达自适应检测方法。传统的雷达检测器设计过程中,都假定噪声协方差矩阵是确定性的参数变量,但是未知的,然后利用均匀的训练数据求解该矩阵的最大似然估计。这样处理仅仅利用回波数据中携带的目标和杂波信息,在理想的均匀探测环境下,其检测性能接近最优。但雷达实际工作环境复杂多变,杂波多是非均匀的,造成可用的均匀训练数据不足,使这些传统检测器性能会明显下降。针对此问题,提出了基于贝叶斯框架融入先验知识的雷达自适应检测方法。通过假定噪声协方差矩阵是未知的随机变量并符合可反映环境信息的先验分布,设计了基于贝叶斯理论的广义似然比(GLRT),自适应匹配滤波(AMF),Rao和Wald准则检测器。这些基于贝叶斯方法的检测器不仅利用了训练数据中的信息,还充分利用环境相关的先验知识,提高了小样本情况下的雷达自适应检测器性能。4)在贝叶斯框架之下提出了一种非均匀杂波统计模型,使检测器的设计能够利用该模型结合环境杂波的非均匀性。该模型同时考虑了待测样本数据噪声协方差矩阵与训练数据协方差矩阵间的尺度和结构差异,并且可以通过调节模型中的标量参数,反映不同程度的杂波非均匀性。同时,通过对噪声协方差矩阵指定适当的先验分布,使检测器的设计能够融合环境的先验知识,得到针对上述杂波模型的存在闭合解析形式的贝叶斯广义似然比检测器,提高了自适应检测性能。5)SAR图像预处理在基于图像的雷达目标检测及识别的应用中起重要作用。通常的空间域滤波方法结构固定,多是仅利用滑窗内图像的局部信息,预处理效果有限。针对此问题,论文研究了基于贝叶斯理论的超完备字典学习方法,并将其应用于图像(包括SAR图像)处理中。该方法将字典学习问题看成是因子分析(FA)问题,结合如Beta过程(Beta Processing)和India Buffet Process (IBP)等贝叶斯先验分布,通过Gibbs采样方法学习得到数据字典。在字典元素学习过程中,该方法不仅利用整幅图像的信息,还能结合当前处理过程之前得到的信息,因此提高了图像去噪和修复等预处理的性能。