认知雷达可以随着环境的变化对发射波形进行调整,使雷达的发射波形和环境相匹配,达到提高目标检测和跟踪精度的目的。本文针对雷达的跟踪任务,主要研究认知跟踪雷达的波形选择,从认知雷达的基本结构出发,采用波形参数捷变、神经网络、Q学习以及DQN算法实现波形的智能化选择,并在不同场景下对各种波形选择方法的跟踪性能进行对比和分析。文章首先介绍了课题的研究背景以及认知雷达的国内外研究发展状况,接着对认知雷达系统的各个组成部分进行简要的概述。随后建立了认知雷达中发射信号模型,同时分析波形对信噪比以及量测的影响,构建了发射信号和跟踪处理过程的关系。建立无杂波环境下的认知跟踪雷达的状态空间模型、滤波算法、波形库、性能指标评价方法以及仿真环境,对比了基于准则函数和波形参数固定方法的性能,分析了波形选择对跟踪性能的影响。同时在机动目标场景下引入了匀加速运动模型,并对比最小均方误差准则、最大互信息准则和波形参数固定的性能;随后建立了杂波环境下的认知跟踪雷达的波形参数选择算法,介绍了概率数据互联算法,引入修正的Riccati方程对后验估计误差协方差进行近似,给出了杂波场景的准则函数,并分析了准则函数的跟踪性能。介绍了神经网络的基本理论,建立了神经网络波形选择方法,利用波形参数捷变的方法生成训练样本数据,让神经网络学习准则函数的决策过程,并在无杂波场景、机动目标场景、杂波场景以及干扰场景下对比了神经网络和准则函数以及波形参数固定的性能,分析了三种方法的跟踪性能以及计算复杂度。引入强化学习方法实现认知跟踪雷达的波形选择,首先对强化学习的基本概念进行介绍,并对贝尔曼最优方程进行详细推导;根据贝尔曼最优方程,建立了Q学习波形选择方法,对Q学习的相关理论及流程进行介绍,并对比了Q学习和准则函数、神经网络以及波形参数固定的性能;提出了基于DQN算法的波形选择方法,介绍了DQN算法基本流程,对比了DQN算法与Q学习、准则函数和神经网络的性能。Q学习算法无法很好的描述目标的状态,DQN算法采用近似值函数逼近的方法克服了该缺点且精度相对于Q学习得到较大提升,并且相对于准则函数在干扰区的性能更优且计算速度更快。