电子侦察是利用电子侦察设备截获目标雷达、通信电台或别的通信设施辐射的电磁信号,并通过技术手段获取目标位置信息、战略部署或者平台类型等信息。电子侦察是电子对抗技术的重要组成部分。电子侦察通常以截获信号分析为基础。针对截获信号形式的多样性,研究不同的多目标信息获取技术,具有重要价值。近年来,机器学习、深度学习等相关技术在电子侦察、信息处理等领域的应用越来越多。本文重点研究了以机器学习相关技术为基础的通信网多节点信息获取技术。其中,多目标数据关联与目标间通联关系识别等方面的技术研究具有重要意义。本文围绕两种截获信号(报文信息、通断序列)进行分析,针对电子侦察中的问题和难点,提出了基于聚类方法的无源多站多目标测向数据关联算法以及基于卷积神经网络的节点通联关系识别算法,并通过仿真验证了算法的有效性。本文的主要工作如下:1.分析了两种不同的截获信号:报文信息和通断序列。从两种截获信号的特点、构成等特性,分析了不同信号应用的差异性,为后续的数据关联和关系识别等两个方面的研究工作提供了理论基础。2.研究了一种基于聚类方法的无源多站多目标测向数据关联方法。首先,基于报文信息,利用聚类技术实现目标属性关联与空域关联,并通过仿真分析了不同聚类算法的性能;然后,总结了不同聚类技术在属性关联方面的一致性以及在空域关联方面的差异性;最后,比较了不同的观测误差对空域关联效果的影响。该方法解决了传统无源定位中,多站多目标的情况下,多个虚假目标点定位难的问题。3.研究了一种基于卷积神经网络的节点通联关系识别方法。首先,基于通信行为数据,提出了多节点通断序列的图像化方法;接着,通过图像化处理,得到模型的标准化输入,从而利用卷积神经网络技术实现目标通联关系识别;然后,通过仿真分析了不同噪声比例条件下的卷积神经网络识别效果的区别;最后,比较了不同训练样本数、不同批训练样本数、不同优化方法以及不同池化方法等对卷积神经网络识别效果的影响。该方法具有可延展性,能够适用于目标个数不同的场景。