本文是一篇综述性学术论文（类型b），题为《Deep-Learning for Radar: A Survey》，作者为Zhe Geng（耿哲）、He Yan（严贺）、Jindong Zhang（张劲东）和Daiyin Zhu（朱岱寅），均来自南京航空航天大学电子信息工程学院。该文于2021年10月13日发表于IEEE Access期刊，卷号为第9卷，页码141800至141818，文献数字对象唯一标识符（DOI）为10.1109/ACCESS.2021.3119561。文章对深度学习（Deep Learning, DL）算法在雷达信号处理领域的应用进行了系统而全面的综述。

本文的第一个重要观点是，基于深度学习的雷达波形与天线阵列设计已经成为认知雷达和频谱共享的关键使能技术。文章指出，随着无线通信系统对频谱资源需求的不断增长，雷达与通信系统之间的频谱共享问题日益突出。作者详细回顾了多种深度神经网络结构在这一领域的应用。其中，Smith等人于2021年提出了基于深度确定性策略梯度（Deep Deterministic Policy Gradient, DDPG）的强化学习框架，通过设计带有功率谱凹口的波形来抑制雷达对通信系统的干扰。Thornton等人则在2019至2020年间提出了双深度循环Q网络（Double Deep Recurrent Q-Network），该网络将双重Q学习算法与长短期记忆网络（Long-Short Term Memory, LSTM）相结合，使雷达能够在频谱共存环境中自主学习并避开包含干扰信号的子频段。此外，美国陆军作战能力发展司令部的研究人员开发了基于深度学习的策略，使雷达能够自主识别来自共存通信系统的干扰行为，并相应调整雷达波形。在多输入多输出（Multiple-Input Multiple-Output, MIMO）雷达波形优化方面，Hu等人于2021年设计了一种由10个残差块组成的深度残差神经网络，在满足恒模约束的条件下最小化自相关和互相关旁瓣电平。Cheng等人于2021年提出了一种基于MobileNet-v2并行轻量结构的卷积神经网络（Convolutional Neural Network, CNN），用于相控MIMO雷达的稀疏阵列设计，仿真结果表明该网络相较均匀阵列划分能够获得更窄的主瓣、更低的旁瓣以及更高的输出信干噪比。

本文的第二个重要观点是，基于深度学习的低截获概率（Low Probability of Interception, LPI）雷达波形识别和被动雷达波形估计技术正在快速发展，但同时也面临对抗攻击的严重威胁。在LPI雷达波形识别领域，文章详细比较了多种预处理方法和深度网络结构。最常用的预处理技术是时频分析（Time-Frequency Analysis, TFA），具体包括Choi-Williams分布（Choi-Williams Distribution, CWD）、Fourier同步压缩变换（Fourier-based Synchrosqueezing Transform, FSST）、Wigner-Ville分布（Wigner-Ville Distribution, WVD）和短时傅里叶变换（Short-Time Fourier Transform, STFT）等。在CWD生成的时频图像基础上，Kong等人在2018年提出了9层CNN，Wan等人在2019年提出了7层CNN与基于树结构的流程优化工具分类器，Ma等人在2020年比较了11层CNN与双向LSTM的性能。Lay和Charlish在2020年采用迁移学习策略，将预训练的VGG16、ResNet50等经典网络用于LPI波形识别。在被动雷达领域，Yonel等人设计了循环神经网络（Recurrent Neural Network, RNN），以同时实现波形估计与合成孔径雷达（Synthetic Aperture Radar, SAR）图像重建。文章特别强调了对抗攻击的挑战：Sadeghi和Larsson在2019年证明了黑盒攻击（black-box attack）可以设计得与白盒攻击（white-box attack）几乎同样有效，从而导致基于深度学习的无线电信号分类性能急剧下降。作为防御措施，Kokalj-Filipovic等人采用自编码器对一维CNN进行预训练以减轻对抗样本的欺骗效应。

本文的第三个重要观点是，深度学习在雷达自动目标识别（Automatic Target Recognition, ATR）中取得了大量研究成果，但受限于训练样本不足和对抗攻击两大制约因素。在高分辨距离像（High Range Resolution Profiles, HRRP）目标识别方面，文章总结了深度置信网络（Deep Belief Network, DBN）、循环注意力网络、堆叠自编码器和卷积LSTM等多种网络结构。其中，Feng等人在2017年利用Yak-42、Cessna Citation S/II和An-26三类飞机的实测HRRP数据对深度网络进行了验证。在微多普勒特征识别方面，文章回顾了用于人体运动分类和无人机分类的多种CNN结构，Hadhrami等人采用预训练的VGG16和AlexNet结合迁移学习，并在Ku波段脉冲多普勒雷达采集的数据上进行了测试。在SAR图像目标识别方面，Majumder等人在2020年出版的专著系统总结了基于MSTAR（Moving and Stationary Target Acquisition and Recognition）数据集的深度学习ATR方法。Chen等人在2016年提出的全卷积网络（A-ConvNet）仅包含5个卷积层和池化层，通过省略全连接层大幅降低了计算复杂度，在标准操作条件（SOC）和扩展操作条件（EOC）下分别达到了较高的识别率。Shang等人在2018年提出记忆CNN（M-CNN），通过添加信息记录器和映射矩阵来利用空间相似性信息。文章深入分析了训练数据不足的问题：许多文献报道了超过99%的识别准确率，但这些网络在换用不同俯仰角或其他数据集（如QinetiQ数据集）测试时性能会大幅下降。针对这一问题，文章总结了监督学习、半监督学习和无监督学习三类应对策略。在监督学习方面，Clemente等人仅用191个训练样本就使Krawtchouk矩特征结合K近邻分类器达到了93.86%的准确率。在半监督学习方面，Wang等人利用双网络交叉训练的孪生网络（Siamese Network）仅用400个训练样本就取得了97.86%的准确率。在无监督学习方面，Huang等人使用堆叠卷积自编码器在无标注SAR图像上进行预训练以供后续迁移学习使用。关于对抗攻击，文章详细介绍了基于梯度的攻击、基于分数的攻击和基于决策的攻击三类方法。Huang等人在2020年利用迭代快速梯度符号法（Iterative Fast Gradient Sign Method, I-FGSM）生成对抗样本，使VGGNet和ResNet在目标识别中的成功率从95%下降到仅7%。

本文的第四个重要观点是，深度学习在雷达干扰识别、抑制以及海杂波背景下的目标检测领域展现出应用潜力。在干扰识别方面，多数研究采用了CNN结构。例如，Wang等人在2019年提出改进的孪生CNN（S-CNN），由两个一维CNN组成，分别从信号的实部和虚部提取特征，每个目标类仅需500个训练样本。有些研究将一维干扰信号通过时频分析转换为二维时频图像后送入CNN处理，Wang等人采用了基于EfficientNet-B3和注意力机制的深度网络。在抗干扰策略选择方面，部分研究探索了利用深度学习为目标分类和抗干扰策略优化提供支持。在杂波抑制方面，Chen等人在2019年提出双通道CNN（Dual-Channel Convolutional Neural Network, DCCNN），融合了LeNet和VGG16结构，以幅度信息和时频信息作为双输入，并在全连接层进行特征融合，该网络在智能像素处理雷达数据集和CSIR数据集上进行了验证。在SAR图像舰船检测方面，有研究提出了20层全卷积网络，但其中像素截断预处理的假设前提（舰船像素比杂波更亮）并不总是成立。此外，Le Petit等人将U-Net网络用于气象雷达降水回波中的杂波去除，利用法国Météo-France的Trappes极化地面气象雷达采集的15万张图像进行训练。

本文的学术价值和应用意义体现在多个层面。首先，文章系统梳理了2016年至2020年间“深度学习用于雷达”领域的研究脉络，将散见于不同论文中的算法按照预处理方法、网络结构、主要特征和数据集进行了分类整理，为后续研究者提供了清晰的参考框架。其次，文章没有沿袭多数综述中一味赞扬深度学习的做法，而是以大量篇幅审视了深度神经网络的负面因素——有限训练样本导致的泛化能力不足和对抗样本带来的安全隐患，这种均衡的视角为领域内的研究者提供了更加客观的认识。第三，文章特别强调了对不同论文所提算法之间内在联系的分析，指出许多所谓“新颖”算法实际上是在已有方法基础上的演进，只有将各篇论文置于整个研究图景中加以考察，才能准确判断其真实贡献。这一方法论层面的见解对于年轻研究者具有重要的启发意义。从应用角度看，文章指出的训练数据缺乏问题和对抗攻击风险，对于推动深度学习从实验室仿真走向实际战场环境部署具有直接的警示作用和指导价值。文章最后明确指出，尽管基于MSTAR数据集的许多深度学习网络报告了98%至100%的分类准确率，但距离深度学习真正取代经典雷达ATR方法仍有很长的路要走。