电子战特别是通信对抗在“网络中心战”中扮演重要角色,地位显著。其中,调制模式识别与干扰识别又是通信对抗面临的关键基础问题。尽管从技术演化角度来看,这两个问题自提出以来已经得到深入研究,研究历史也已经超过70年,但如今,伴随着以深度学习为代表的人工智能技术的突破性发展,在为这两个领域进一步研究注入新活力的同时,也带来了巨大的挑战。一方面,基于深度学习使能无线通信,将使得通信对抗双方获得更高的智能化程度;另一方面,借助于深度学习强大的特征提取与表达能力,预期可以实现更精准的调制模式与干扰类型识别。因此,面向通信对抗应用领域,开展基于深度学习的调制模式识别和干扰识别具有重要现实意义,实用价值巨大。具体地,本文的主要研究内容概括如下:①研究面向多天线系统的盲调制识别问题,并提出了一种基于短时傅里叶时频变换、Alex Net迁移学习和多信号支路决策融合的盲调制识别算法。具体地,利用加窗短时傅里叶变换对多天线系统每根天线接收到的调制信号进行时频特性分析,并获得调制信号RGB时频图。随后,利用迁移学习优化Alex Net卷积神经网络以适应调制模式识别分类问题,并将生成的RGB时频图输入优化后的Alex Net神经网络中以提取特征并训练网络,识别出每路天线接收信号的调制方式;最后,引入‘少数服从多数’多支路信号调制识别决策融合机制,以实现多天线接收信号调制识别结果融合从而得到最终调制模式识别结果。仿真结果表明,无论在单天线还是多天线网络,所提算法均能获得较高识别精度。此外,所提方案对多径衰落信道也表现出稳健性。②研究跳频通信系统的干扰识别问题,并提出了一种基于复合时频分析与孪生神经网络的干扰识别算法。具体地,针对跳频系统所受干扰类型广泛并且存在干扰复合的特点,为了更充分和更具区分度地的提取各种干扰的特征,设计了一种复合时频分析算法来计算干扰信号的时频分布,其综合了线性时频变换和Cohen类双线性时频变换方式从而提取干扰信号的时频信息并生成包含两类时频分析特征的时频图作为训练样本;随后,在训练阶段,选用孪生神经网络作为分类器,孪生网络通过计算两个子网络输入样本的距离向量,来判断两个输入是否为同一类样本,通过反复训练来实现样本的匹配识别;最后,通过数值仿真对算法性能进行了验证分析,结果表明本文所提算法识别精度在绝多数情况下优于对比算法,并且在样本量较少时仍能取得较高的识别精度。