阵列天线是由多个辐射单元排列而成,若其中某些阵元失效将会导致阵列性能下降。为了保持阵列的辐射性能,对阵列进行定期或实时的故障诊断尤为重要。本文以基于辐射远场信息的阵列故障诊断方法为研究课题,从多标签分类的角度建立诊断模型,结合机器学习相关技术,对基于多标签深度学习的阵列故障诊断方法以及基于迁移学习的平面阵诊断网络展开研究。本文的研究内容主要包含以下三个部分。1.现有的基于机器学习的阵列故障诊断方法大多将其建模为单标签分类问题。随着阵列规模的扩大,测量成本快速增加且诊断准确率会降低。为此,本文首先将阵列诊断建模为多标签分类问题并以阵列远场辐射信息为特征训练轻量级多任务神经网络作为诊断网络。为了进一步提高轻量级网络的诊断精度,提出基于辐射补偿的诊断算法。同时,考虑到特征数据的测量成本,给出骨骼化采样方式。最后,仿真实验表明所提出的诊断方法相比于基于分类算法的阵列故障诊断方法在准确率上具有显著优势。实测实验表明所提方法相比于传统的诊断方法可以减少阵列固有误差的影响。2.由于阵列应用场景不同,其规模和形状通常也不同。为了能够充分利用已有诊断网络,本文提出一种基于迁移学习的平面阵诊断网络。该方法将已有线阵数据作为源域,待诊断平面阵相关数据作为目标域,通过迁移基础诊断网络的部分层来搭建一个端到端的深度迁移网络。然后,通过少量的平面阵样本对该网络参数进行微调。仿真结果表明,该网络相比于普通的神经网络在训练时更容易收敛且能够在更少的训练样本条件下达到更高的诊断准确率。3.针对工程应用中阵列方向图测量困难,相位测量成本高,测量角度存在误差等问题,提出一种基于远场幅度信息的相控阵故障诊断方法。考虑到大规模相控阵通常含有较多辐射单元,该方法首先将待诊断阵列划分为多个子阵并根据所设计的激励准则依次对各个子阵施加激励,再利用固定位置的探针对其远场幅度数据进行测量。最后,将所测幅度数据作为特征训练多标签神经网络定位失效阵元。仿真结果表明,所提方法能够在无相位测量条件下以较高的准确率检测出大规模相控阵中的失效阵元。