无人机起源于军事领域,后凭借其小型化、功能多样性等特点迅速在民用领域获得青睐。伴随民用无人机应用范围的不断拓宽,其带来的安全问题也获得了各界人士的广泛关注。无人机的信号识别是管制方案的提前和重要环节,是当前在技术和产品上研究的热点,对无人机反制领域有着重要的意义和商业价值。本文分析了无人机通信信号特点,主要从图像角度设计了两种无人机信号识别方法,实现了复杂电磁环境下的跳频信号识别。主要工作和创新有:1、研究了民用无人机系统结构及通信信号特点,并实际采集了无人机信号,对无人机遥控信号整体进行了粗粒度观察;总结了跳频通信系统原理和主要参数,使用simulink对跳频系统进行了仿真实验;同时,介绍了处理非平稳信号的时频分析方法,并通过仿真实验对比总结了各方法的性能和特点。2、现有的基于时频特征进行跳频信号检测识别的方法存在依赖人工设定阈值和混合多种干扰信号时识别能力不足的问题。本文设计了一种基于连通区域标记的方法实现复杂电磁环境下的跳频信号检测及参数估计。首先对采集的信号进行时频域转换,基于能量统计自适应设定去噪门限的方法去除底噪,经过二值化、形态学处理后,对时频数据进行连通区域标记及区域信息提取,经过对连通区域的修正可以对干扰信号进一步处理,对连通区域的聚类可以实现跳频信号的分选,最后根据分选结果可以检测跳频信号并统计出目标跳频信号的参数。该算法在去除白噪的过程中具有自适应性,弥补了设置去噪阈值需要人工干预的不足;在跳频信号检测过程中无需已知目标信号跳速的先验条件,并给出了处理斜变干扰的方法。根据仿真结果表明,该算法可以实现跳频信号的有效检测及参数盲估计。3、针对在跳频信号在识别过程中自动化程度低的问题,结合现有的图像分类技术,使用基于时频图像梯度特征提取的跳频信号分类算法,实现了对跳频信号的自动化分类识别。首先对采集的无人机信号进行了时频域转换,通过对时频瀑布图的样本进行逐像素梯度特征提取,使用支持向量机为分类器,并以遗传算法结合交叉验证的方式进行了核函数参数优化,实现跳频信号的分类识别,该方法不需要已知目标信号参数特性的先验条件实现了盲分类,自动化程度高;在已知样本信号的总带宽、跳频序列周期的情况下,提出了一种固定窗检测的优化算法,该算法以固定窗口截取目标信号单一周期并对窗内数据特征提取,在检测模块按相同窗口扫描进行二分类检测,仿真结果表明该方法具有更高的识别精度,分类效果得到了优化。