间歇采样转发式干扰会在脉冲压缩后积累能量,需要使用特征分类方法来抑制干扰,而深度学习就是一种自动提取特征的分类方法。深度学习已经在图像、语音、自然语言及机器人等方面得到了广泛应用,然而如何在雷达检测中使用这些技术,现有的研究依然非常少。所以本文利用深度学习技术,对相位码雷达体制下的单脉冲抗干扰点目标检测问题进行了深入研究,主要工作包括如下内容:1.介绍了深度学习及其在雷达检测中的应用方式。首先简单介绍了深度学习的概念,并重点介绍了深度学习中的重要部分卷积神经网络。然后介绍了卷积神经网络的模型结构,分析了其独特的连接方式带来的性能优势和适用范围,并介绍了一些与本文相关的卷积结构和网络结构,包括一维卷积、1×1卷积、空洞卷积、空间可分离卷积、拼接结构以及残差单元。最后分析了深度学习在雷达信号处理上应用的可行性并介绍其主要方式,为后续的基于卷积网络的雷达抗干扰目标检测做出准备。2.针对间歇干扰背景的抗干扰问题,提出了基于卷积网络的目标检测方法。首先介绍了干扰机的不同工作方式,针对其中的间歇采样卷积调制的收发分时干扰,进行信号建模。通过借鉴语言处理系统Wave Net网络,并利用空洞卷积、残差网络、跳跃连接等结构搭建抗干扰检测网络,将复数接收信号转化为实数,构建从接收到抗干扰目标检测的端到端的深度模型,利用仿真数据和随机梯度下降算法,最小化输出检测结果与真实目标概率的交叉熵损失,优化网络参数,最终完成抗干扰目标检测。针对给定发射波形和给定形式的干扰,该模型具有很好的抗干扰检测效果。3.针对任意雷达发射波形下的抗干扰问题,提出了一种基于分离拼接网络的目标检测方法。对于任意的相位码发射波形,对比固定的发射波形,分析了之前的检测模型的不足和弊端,研究了网络对接收信号的处理方式和处理能力。通过对接收信号和发射波形进行滑窗匹配,提取出滑窗匹配特征,并将二维卷积网络分离为两个不同方向上的一维卷积网络,最后将这两个网络处理得到的特征信息进行拼接,最终构建含有残差连接的分离拼接网络,完成了任意发射波形和给定形式干扰下的抗干扰目标检测,并和独立距离单元上的卷积网络、全连接网络,以及其它结构的网络进行性能比较,分离拼接网络取得了最好的效果。