In this work a cutting edge technology in radar signal processing is presented. A new knowledge-based data processing approach is proposed with the objective of improving the performance of the target detection algorithm by adapting the processing algorithms according to changing environment conditions. This involves combining traditional signal processing with real-time exploitation of a priori knowledge of the environment. Since this mix of knowledge-based and traditional signal processing algorithms requires performing a large number of operations to operate in real-time, custom architectures implemented on reconfigurable hardware have been explored as an alternative processing platform. On this context, this thesis proposes an efficient FPGA-based reconfigurable hardware to implement knowledge-based signal processing for a target detection module in radar signal processing. The discussion is centered in the Knowledgebased signal processing design and the hardware implementation of an architecture for environment knowledge acquisition, knowledge base storage, and inference engine that allow selecting the best algorithm and corresponding parameters according to current environment conditions. The selected target detection algorithms are five variants of the CFAR (Constant False Alarm Rate) algorithm. The environment knowledge acquisition is carried out by texture and energy analysis for clutter recognition. The inference engine is implemented as decision tree and production rules to select the best CFAR algorithm and its parameters according to current environment conditions. Experimental results with simulated and real data are presented and discussed.Este trabajo presenta un método alternativo a los reportados previamente en la literatura sobre procesamiento de señales de radar para realizar la detección de blancos inmersos en ruido marítimo, provocado por el reflejo de la onda electromagnética sobre la superficie de las olas. El método presentado es un esquema basado en conocimiento, el cual trabaja en paralelo con la cadena tradicional de procesamiento, con el objetivo de incrementar la probabilidad de detección de blancos pequeños inmersos en ruido no homogéneo. El esquema basado en conocimiento realiza el reconocimiento del entorno marítimo para seleccionar y configurar el algoritmo de detección adecuado a las condiciones del entorno existentes. Este reconocimiento consiste en una clasificación de textura de los ecos de radar para determinar el estado del mar presente de entre 12 niveles, de acuerdo a la escala de Beaufort/Douglas. La clasificación de textura se realiza mediante descriptores de textura de la matriz de co-ocurrencias de niveles de gris y descriptores de energía, con los se construyen modelos basados en reglas y árboles de decisión para realizar la clasificación. Los descriptores calculados sirven como base de hechos para la clasificación de los nuevos datos. La selección y configuración del algoritmo de detección permitirá incrementar su desempeño. Este trabajo presenta también la implementación en hardware del esquema basado en conocimiento, utilizando una implementación de tipo pipeline para asegurar que el esquema completo se ejecute en tiempo real, se destaca la implementación de los módulos de clasificación, la obtención de los descriptores de textura y la implementación de la variante llamada Energy-CFAR paramétrico, la cual surgió como resultado del análisis realizado con los descriptores de textura de energía y que constituye una aportación adicional al método descrito.