در این پایان­نامه، دو روش جدید برای کاهش سطح گلبرگ­های فرعی در فشرده­سازی پالس رادار با افت snr و mlb قابل قبول، پیچیدگی کم و مهم­تر از همه، تولرانس داپلر مناسب ارائه شده است. روش اول، استفاده از یک شبکه عصبی چند لایه برای فشرده­سازی پالس رادار است که ورودی آن برخلاف روش­های پیشین، کد پلی فاز است. علت استفاده از کدهای پلی فاز بجای کدهای باینری در ورودی شبکه، بالا بودن تولرانس داپلر آنها است. بعلاوه، برخلاف کدهای باینری، برای هر طول کد، کدهای پلی فاز متنوعی وجود دارد که این مسئله آزادی عمل بیشتری را در انتخاب کد ارسالی در اختیار ما قرار می­دهد. به منظور افزایش سرعت همگرایی شبکه نیز از روش بهینه­سازی levenberg-marquardt برای آموزش شبکه استفاده کرده­ایم. پس از 100 بار آموزش شبکه عصبی مورد اشاره، سطح گلبرگ­های فرعی تا حد خیره­کننده­ای کاهش می­یابد. این طرح برای snr بسیار پایین نیز عملکرد بسیار خوبی دارد و همچنین، در مقایسه با روش­های موجود، تولرانس داپلر بسیار بالاتری را در خروجی شبکه ارائه می­دهد. روش پیشنهادی دیگر در این پایان­نامه، استفاده از مجموعه­ای از فیلترهای منطبق بر داپلرهای مختلف (بانک فیلتر) برای افزایش نسبت سیگنال به نویز (snr) و بهبود عملکرد الگوریتم فشرده­سازی تطبیقی پالس است. مهمترین ویژگی این روش آنست که برخلاف روش­های پیشین، در snr بسیار پایین نیز کارآیی موثری از خود نشان می­دهد. برای کاهش حجم محاسبات و پیچیدگی سیستم، تغییراتی را در مرحله مقداردهی اولیه و انتخاب کد ارسالی انجام داده­ایم که باعث کاهش قابل ملاحظه تعداد دوره­های تکرار الگوریتم می­شود. نتایج حاصل از شبیه­سازی نیز عملکرد بسیار خوب این روش را در شرایط مختلف تأیید می­کند.