主瓣干扰给雷达探测带来了严峻的挑战,有效抗主瓣干扰是目前亟需解决的问题。基于数字射频存储器（DRFM）技术的间歇采样转发干扰是一种常见的主瓣欺骗干扰样式,其通过对雷达信号进行低速率的间歇采样转发,使得干扰信号在时域、频域和空域特征上与真实目标回波信号高度相似。传统雷达难以在保留目标信号的同时鉴别和抑制干扰,从而对雷达的目标探测和跟踪构成了严重的威胁。基于上述背景,本文从抗主瓣干扰的角度出发,重点研究了基于深度神经网络的雷达抗主瓣干扰目标检测方法以及小样本情况下的抗干扰检测问题,主要内容概括如下:1.针对主瓣间歇采样转发干扰背景下的目标检测问题,本文基于深度神经网络技术构建了从接收到抗干扰检测的端到端的一体化处理过程,并将多尺度卷积核并联结构、注意力机制和语音处理系统Wave Net网络应用到检测模型的设计过程中,更加高效地完成抗主瓣干扰目标检测。相较于现有的检测模型,本文设计的模型在不同雷达发射波形和间歇采样转发干扰样式下,均取得了更优的抗干扰和目标检测性能。2.针对训练样本不足引起的雷达抗干扰检测小样本问题,提出了一种基于迁移学习的抗主瓣干扰目标检测方法。该方法通过模型参数迁移的方式,将从源域中获得的有用知识迁移应用到目标域上,即以大规模仿真数据集为辅助,提升模型对小样本数据的检测效果。基于小样本回波数据集的实验结果表明,该方法有效提升了网络训练效率,达到了仅用少量的回波样本获得较高检测概率的目的。3.针对小样本下抗干扰检测模型性能下降问题,提出了一种基于Wasserstein生成对抗网络的抗主瓣干扰目标检测方法。为了将有限的回波数据集扩充成足以支撑训练的样本集,本文通过引入Wasserstein生成对抗网络,设计了一种适用于雷达回波数据的生成方法,使得生成样本在保留原始数据关键结构的基础上更具多样性。实验结果表明,向原始训练集加入新的生成样本缓解了由训练样本不足导致的网络泛化性能差的问题,有效提升了网络的抗干扰检测性能。通过深入的探索研究,本文进一步扩大了深度神经网络在雷达抗干扰方面的应用范围,为今后相关问题提供了研究基础。