随着电子信息技术的快速发展,电子对抗逐渐成为现代军事战争的核心。辐射源信号识别是电子对抗中重要组成部分,在电子对抗中起着至关重要的作用。辐射源信号识别是通过截获辐射源发射的信号,利用信号处理技术提取能够区分不同辐射源的个体特征,通过分类算法识别不同辐射源,为通信情报侦查与军事行动决策提供可靠依据。传统的特征匹配法具有一定局限性,并且可靠性较低。近年来,很多学者将深度学习应用到辐射源信号识别技术中,深度学习可以根据信号的时频特征完成分类与识别。相同型号不同个体的辐射源由于硬件设备的差异性导致发射的信号有所不同,如何在每个辐射源具有多种信号的情况下对辐射源进行准确的分类与识别,是目前研究的重点。本文利用深度学习方法高效且准确地对相同型号、相同工作环境下不同个体的辐射源信号进行识别。主要开展的工作如下:（1）针对辐射源信号处理与特征提取,本文采用了一种窗口化能量检测的方法对有用信号进行截取,然后选取短时傅里叶变换对每个辐射源信号进行特征提取,将得到的二维时频矩阵转换为一个三维矩阵,从而更好地表达信号特征,为辐射源信号识别提供稳定可靠的分类特征。（2）针对辐射源信号识别,本文采用全连接神经网络、VGG11（Visual Geometry Group）、Res Net18（Residual Network）、支持向量机、K近邻分类五种算法分别对信号进行识别。全连接神经网络的识别准确率不足90%,Res Net18网络的识别准确率能达到98%以上;而支持向量机与K近邻分类识别准确率均不如VGG11与Res Net18。然后针对复杂电磁环境下训练样本不足的情况,本文构建了一种生成式对抗网络数据增强方法,在训练样本不足的场景下提升了模型的整体识别性能。（3）针对辐射源未知信号识别,本文首先利用K近邻分类算法在训练样本较多的情况下对未知信号进行识别,在K值为100时识别准确率达到84%。然后搭建了一种基于深度学习与度量学习的原型网络模型,利用已知信号样本建立各自的“原型”,计算未知信号样本到各个“原型”的距离完成分类。通过实验得到最适合原型网络的距离度量算法以及其他网络参数,该模型在训练样本较少的情况下能够达到90%以上的识别准确率,相比传统机器学习方法,所需要的训练样本更少,识别准确率更高。此外本文在训练样本不均衡场景下通过数据增强方法进行数据均衡,提升了未知信号识别性能,再次论证本文构建的数据增强方法的有效性。