| 中文摘要 | 第1-5页 |
| 英文摘要 | 第5-8页 |
| 第一章 绪 论 | 第8-17页 |
| 1．1 研究背景 | 第8页 |
| 1．2 研究目的和意义 | 第8-9页 |
| 1．3 国内外研究状况 | 第9-14页 |
| 1．3．1 恒虚警率（CFAR）检测 | 第10-11页 |
| 1．3．2 分布式检测 | 第11-12页 |
| 1．3．3 一些新的检测方法 | 第12-13页 |
| 1．3．4 检测理论在国内的研究状况 | 第13-14页 |
| 1．4 本文的工作基础 | 第14页 |
| 1．5 本文的主要工作及内容安排 | 第14-17页 |
| 第二章 信号检测理论及相关统计模型 | 第17-28页 |
| 2．1 假设检验 | 第17-18页 |
| 2．2 似然比检验 | 第18-22页 |
| 2．2．1 最大后验概率准则 | 第18-19页 |
| 2．2．2 最小风险Bayes判决准则 | 第19-20页 |
| 2．2．3 Neyman—Pearson判决准则 | 第20-22页 |
| 2．3 目标和背景的统计模型 | 第22-27页 |
| 2．3．1 各种环境中的系统性能 | 第23-25页 |
| 2．3．2 关于Swerling起伏模型的讨论 | 第25-26页 |
| 2．3．3 几种常用的噪声、杂波分布模型 | 第26-27页 |
| 2．4 小结 | 第27-28页 |
| 第三章 雷达信号的恒虚警率（CFAR）检测 | 第28-51页 |
| 3．1 引言 | 第28页 |
| 3．2 雷达自动检测 | 第28-29页 |
| 3．3 CFAR检测器的基本模型 | 第29-31页 |
| 3．4 一致环境中的均值（ML）类CFAR检测 | 第31-39页 |
| 3．4．1 均值（ML）类CFAR检测器 | 第31-32页 |
| 3．4．2 最优检测下的ROC | 第32-33页 |
| 3．4．3 ML类CFAR检测器的基本结构及性能 | 第33-39页 |
| 3．5 基于有序统计量（OS）的CFAR检测 | 第39-41页 |
| 3．5．1 基本模型及假设 | 第40页 |
| 3．5．2 OS—CFAR检测器的基本结构 | 第40-41页 |
| 3．6 OS—CFAR检测器的性能分析 | 第41-43页 |
| 3．6．1 均匀背景下的OS—CFAR检测器性能分析 | 第41页 |
| 3．6．2 多目标环境下的OS-CFAR检测器性能分析 | 第41-42页 |
| 3．6．3 杂波边缘下的OS-CFAR检测器性能分析 | 第42-43页 |
| 3．7 一种非一致相关杂波环境下的OS-CFAR检测器 | 第43-50页 |
| 3．7．1 非一致相关杂波环境下OS-CFAR检测器结构 | 第43-45页 |
| 3．7．2 性能分析 | 第45-47页 |
| 3．7．3 仿真结果 | 第47-50页 |
| 3．8 小结 | 第50-51页 |
| 第四章 检测信息融合理论及其应用 | 第51-70页 |
| 4．1 引言 | 第51-52页 |
| 4．2 常用的融合规则（AND、OR和K/N） | 第52-54页 |
| 4．2．1 AND规则 | 第53页 |
| 4．2．2 OR规则 | 第53-54页 |
| 4．2．3 K/N规则 | 第54页 |
| 4．3 分布式最优融合算法 | 第54-63页 |
| 4．3．1 Bayes准则下的分布式最优融合 | 第55-59页 |
| 4．3．2 Neyman-Pearson准则下的分布式最优融合 | 第59-63页 |
| 4．4 Rayleigh环境中分布式恒虚警率（CFAR）检测系统的性能分析 | 第63-69页 |
| 4．4．1 性能分析 | 第64-66页 |
| 4．4．2 仿真结果 | 第66-69页 |
| 4．5 小结 | 第69-70页 |
| 第五章 基于神经网络结构的信号检测 | 第70-96页 |
| 5．1 引言 | 第70页 |
| 5．2 神经网络简介 | 第70-73页 |
| 5．2．1 多层感知器 | 第70-73页 |
| 5．2．2 自组织神经网络 | 第73页 |
| 5．3 基于似然比检验的神经网络检测技术 | 第73-75页 |
| 5．4 多层感知器神经网络检测器 | 第75-77页 |
| 5．5 一种基于神经网络的信号检测器 | 第77-83页 |
| 5．5．1 神经网络检测器结构 | 第77-79页 |
| 5．5．2 检测神经网络训练算法 | 第79-82页 |
| 5．5．3 性能分析及仿真结果 | 第82-83页 |
| 5．6 讨论 | 第83-84页 |
| 5．7 一种基于时频分析的神经网络检测方法 | 第84-94页 |
| 5．7．1 基于时频分析的神经网络 | 第84-86页 |
| 5．7．2 信号模型及检测器结构 | 第86-87页 |
| 5．7．3 二维WVD图计算 | 第87-89页 |
| 5．7．4 基于时频分析的神经网络训练 | 第89-92页 |
| 5．7．4．1 主分量提取网络的训练 | 第89-90页 |
| 5．7．4．2 多层感知及线性网络训练 | 第90-92页 |
| 5．7．5 仿真研究结果 | 第92-94页 |
| 5．8 小结 | 第94-96页 |
| 第六章 基于模糊技术的信号检测 | 第96-112页 |
| 6．1 引言 | 第96页 |
| 6．2 模糊集基本理论 | 第96-99页 |
| 6．2．1 模糊集概念 | 第96-97页 |
| 6．2．2 两个模糊集间的运算 | 第97-98页 |
| 6．2．3 隶属函数的确定 | 第98页 |
| 6．2．4 模糊判决的择近原则 | 第98-99页 |
| 6．3 信息分配及扩散原理 | 第99-101页 |
| 6．3．1 信息分配及分配函数 | 第99-100页 |
| 6．3．2 信息扩散原理 | 第100-101页 |
| 6．4 模糊分类系统和神经网络的结合 | 第101-103页 |
| 6．5 一种新的模糊检测方法 | 第103-110页 |
| 6．5．1 超立方体模糊集及信号检测的数学模型 | 第104-105页 |
| 6．5．2 模糊检测器结构 | 第105-106页 |
| 6．5．3 模糊检测器分类算法 | 第106-108页 |
| 6．5．4 仿真结果及性能分析 | 第108-110页 |
| 6．6 小结 | 第110-112页 |
| 第七章 全文总结 | 第112-115页 |
| 参考文献 | 第115-122页 |
| 致谢 | 第122-124页 |
| 作者在攻读博士学位期间的论文工作情况 | 第124页 |
