辐射源个体识别对于公共安全和军事电子对抗等领域有重大意义。随着现代信息科技的不断发展和各式电子设备的不断普及,空间中的电磁环境日益复杂,复杂的电磁环境给辐射源个体识别带来特征提取困难问题,同时也引发了对未知辐射源个体进行判别的需求。为解决这些问题,本文对辐射源个体识别系统的主要模块以及未知判别方法展开研究。其中识别系统的主要模块包括数据预处理、特征提取和神经网络模型,本文对其各模块的不同方法进行了研究和对比。而对于未知判别,本文借鉴于计算机视觉领域,利用三种深度度量学习的方法实现具有未知判别功能的个体识别系统。本文的主要工作有以下两个方面:1.闭集辐射源个体识别。意在探究何种数据预处理、特征提取、神经网络结构的组合可以达到更优的识别效果。针对于数据预处理,本文提出了一种带内信噪比的估计方法,该方法可以有效地估计复杂电磁环境下的目标信号质量,从而进行数据的筛选;针对于特征提取,本文提出了一种局部高点数STFT的方法,该方法在不改变特征尺寸的前提下,对感兴趣的局部频谱进行放大和细化,从而过滤了不必要信息并丰富了细微特征。在10部LTE手机识别当中,采用局部高点数STFT比同尺寸普通STFT的识别准确率高10%,取得了不错的识别效果。另外,本文设置多组对照实验,对比了不同数据量、滤波方法、CNN网络结构对于识别效果的影响,并对实验结果进行了分析和总结。2.开集辐射源个体识别。意在解决未知辐射源的判别问题。为解决未知判别问题,本文将多种深度度量学习方法应用于辐射源个体识别。这些度量学习方法包括Triplet Loss、Center Loss和本文改进的Triplet Loss。为比较这些度量学习方法之间的性能差异以及它们与Softmax Loss之间的性能差异,本文使用多组不同参数对三种度量学习方法和Softmax Loss进行了网络训练,使用不同测试方案对四种方法的模型进行测试,并对比和分析测试结果。最终,三种度量学习方法都取得了不错的未知识别效果,使得已知测试集、未知集的识别率同时达到90%以上。而对于同型通信电台的个体识别,在容许1%的未知判别错误率时,本文改进的Triplet Loss在已知集识别准确率达到94%,比Triplet高了3%,比Softmax高46%,取得了最佳的效果。