随着新体制雷达不断涌现,电子微波环境日益复杂,使用深度学习的方法对雷达辐射源个体识别,可以免去人工筛选的特征的复杂性与误差影响,深度学习自动特征提取能力可以有效提取雷达辐射源个体的细微特征。本文聚焦于小样本条件下的雷达辐射源个体识别任务,基于Transformer模型、迁移学习、深度卷积神经网络,以及多模态特征融合等多种深度学习方法,开展小样本雷达辐射源个体识别研究。论文的主要工作与创新点如下:第一,针对小样本条件下的一维雷达辐射源信号序列,基于Transformer模型构建了雷达辐射源个体识别模型。仿照自然语言的处理思路,将雷达信号序列向量化,映射雷达信号序列至高维隐层空间,并采用多种数据增强与数据扩充的方法,一定程度上解决了训练样本有限的问题。通过对比实验证明了该模型能够成功提取雷达辐射源个体的隐含细微特征,不受采样位置,雷达脉冲参数等因素的干扰。第二,针对雷达二维双谱图像,将迁移学习与深度卷积神经网络相结合,构建雷达辐射源个体识别模型,提高雷达辐射源个体识别模型的泛化性和鲁棒性,抵抗环境、设备等多方面的特征耦合与干扰。通过高阶谱分析将雷达辐射源个体信号转化为二维双谱图像,对图像进行增强。通过迁移学习进行模型训练,在较少量的时间即可完成训练,实测雷达辐射源个体信号的识别准确率最高达99%。第三,为了更好的适应工程应用的场景,构建了简洁易用的端到端的多模态融合雷达辐射源个体识别系统。多模态平行双模型特征提取网络进行基于多模态融合的雷达辐射源个体识别,更好地利用实测小样本雷达辐射源个体信号数据,融合阶段分别采用了特征层融合与决策层融合策略,并且加入升温Softmax层,增强模型的泛化能力,保证识别精度的同时,降低了模型的参数量与流程复杂度。