雷达调制方式识别是雷达研究领域的重要分支,在雷达领域具有至关重要的地位。针对当前雷达的调制方式识别率和特征提取的难点,提出了一种基于双时频分析和深度神经网络的雷达智能识别算法,并进行神经网络搜索寻找最优性能,最后进行系统搭建,进行在线雷达调制方式识别。本课题主要针对识别算法和系统搭建进行研究,对于识别算法,针对雷达信号采用了Choi-Williams(CWD)时频分析和平滑伪Wigner-Ville(SPWVD)时频分析,两种时频分析技术进行组合识别的算法,设计两种卷积神经网络对两种时频分析图进行特征提取,并对提取的特征进行融合处理,以求解决目前的雷达调制方式识别算法的识别率低和特征提取困难的技术痛点;对于系统搭建,构建了从雷达信号处理到识别、存储等一整套识别过程,采用现在深度学习算法实现的主流框架,用GPU服务器加高传输速度的方式解决边缘计算量问题,用Docker+Tensor Flow+tornado保证系统稳定性。本课题的具体内容如下:第一,研究12种低截获雷达信号,包括线性调频信号(LFM)、二进制编码信号(BPSK)、Costas信号、多相码类信号(P1、P2、P3、P4和Frank)以及多时码类信号(T1、T2、T3和T4)。根据相关公式生成12种雷达信号数据。并针对不同信号增加了不同信噪比的高斯随机噪声。为后续处理和识别过程提供了数据基础。第二,对时频分析技术进行研究,目前针对雷达信号的分析技术多,而效果一般,本论文分析单一分析技术不足以完全表达信号,采取了两种典型的分析技术组合的方式,以求解决一维雷达信号特征提取困难的问题,针对时频域的维度进行分析,进一步丰富信号的表达。经过时频分析处理后产生时频数据,为算法设计和系统搭建提供足够支撑。第三,提出两种卷积神经网络,根据图像数据的分布,设计两种浅层卷积神经网络。用识别效果评估,空间域特征提取的充分性,设计一种高识别率表达充分的卷积神经网络;此外对主要结构进行压缩,采用启发式的压缩方法,提升卷积速度,满足低配置服务器的性能要求。第四,设计神经网络搜索算法对压缩模型的结构进行评估,针对手动设计的卷积网络结构,会出现一些未考虑周全的情况发生,同样以识别准确率最大化为评价准则。主要在搜索空间上,对主要参数卷积核进行搜索,采用遗传算法搜索策略。第五,构建识别系统,完成从信号处理、识别、存储的一整套构建。采用Matlab对信号进行处理,用Tensor Flow进行模型识别,并将相关处理过程和结果用My SQL进行保存。深度学习的识别过程,往往以离线数据训练,在线快速识别的形式进行,在离线训练验证模型的稳定性和准确性后,进行识别系统开发实现,对12类雷达调制方式进行识别。