近年来,随着科技的发展,雷达的应用场景也变得越来越复杂,因此对雷达性能的要求也越来越高。然而传统雷达系统的工作模式一般是固定不变的,通过固定的系统模式只能被动地处理回波数据、发射固定波形,这就使得即使雷达系统设计的非常合理,也无法泛化地应对复杂的环境。为了解决这一问题,Simon Haykin提出了认知雷达这一概念,通过将传统的开环信息处理转换为闭环处理,在一定程度上解决的分析复杂环境的问题。相较于自适应雷达技术,认知雷达融入了知识辅助模块,使得雷达具有类似人类的“思考”能力,对于雷达的不同任务来讲,这一“思考”能力也体现在不同的方面:对于雷达常见的检测任务来讲,基于知识的模块能够提高目标的检测概率,这是通过利用不同环境的先验知识来实现的;对于跟踪来讲,通过对不同环境信息的处理,自适应地改变发射波形,从而提高跟踪的精度。而自适应波形优化选择技术是目前认知雷达系统的关键技术之一,本文主要围绕跟踪问题来分析认知雷达性能。论文首先对认知雷达的发展情况作以简要的介绍。然后对Simon Haykin提出的认知雷达的基本框架结构进行分析,并围绕这一基础结构,概念化地分析了各个模块所需要实现的功能,从而在这一基本结构的基础上,以神经网络、贝叶斯滤波理论为核心,实现了对功能性结构的细化,并在章节最后,以这一细化结构为焦点,分析整个系统运行的流程,以信号传递为导向,总结出了实现这一功能性结构的跟踪算法流程。之后,文章对细化结构中的每一块的功能作以具体介绍,并给出数学模型,同时围绕发射信号对认知雷达跟踪任务的影响进行分析,给出了发射信号波形参数与跟踪量测噪声协方差矩阵之间的关系,从而搭建起了发射信号与跟踪处理过程联系的桥梁。然后基于最小均方误差准则函数,通过对目标线性运动的仿真,对比分析了波形捷变方法与传统闭环雷达、波形参数固定模式的雷达以及波形类型捷变雷达跟踪性能,从而确定了本文的主要研究信号类型,并且利用基于准则函数的波形捷变方法,有效地提升了跟踪的精度;并在此基础上,通过改变量测值的大小,模拟了外界干扰对跟踪处理的影响,从而通过跟踪过程,对波形参数捷变雷达的抗干扰能力进行了探讨。其次,相对详细地介绍了人工神经网络与强化学习的基本原理,并在神经网络原理的基础之上,分析并给出了一种处理认知雷达跟踪任务的训练方法,从而实现了利用训练好的神经网络对目标进行跟踪的过程,并将跟踪性能与波形参数捷变雷达进行对比,分析了利用神经网络方法进行跟踪的性能上优越的原因;之后围绕贝尔曼动态最优方程,提出了两种处理跟踪问题的强化学习算法,并以伪代码的形式给出了两种算法的实现流程,然后通过仿真,详细分析了线性模型下两种强化学习算法与波形捷变方法的跟踪性能优劣,确定了认知算法的优越性能。本文提出的机器学习方法,通过利用所建立的跟踪过程与波形参数之间的关系,实现了对运动目标的跟踪精度的提升。