辐射源个体识别技术是电子侦察系统中的核心技术之一,也是国内外电子战领域研究的前沿方向。它通过对接收的电磁信号进行特征测量,将辐射源电磁特征与辐射源个体相匹配,进而识别出发射该电磁信号的设备类型。辐射源识别结果对分析通信网络结构、确定敌威胁等级和战术决策有着关键性作用。面对复杂多变的电磁环境,传统辐射源识别方法已经无法达到战场环境对于识别性能和应用范围的指标要求。随着人工智能的发展,利用深度学习进行辐射源识别有了新的突破和进展。因此本文综合运用深度学习方法,从辐射源个体识别的整体方案设计、模型性能优化研究、小样本条件下的辐射源识别三个方面,开展如下工作:1.提出了一种基于深度时频特征提取的卷积神经网络识别算法。该算法利用自编码器和卷积神经网络实现了精细的指纹特征提取,解决了在辐射源个体数目增多或辐射源信号变得复杂化时,识别性能明显下降的问题。由实采辐射源信号进行仿真,结果表明,当辐射源个体数目从3个增至5、6、9个,且信号的复杂化程度也逐步提高时,算法的识别精度始终稳定在95%以上,明显优于传统识别方法,证实了本文算法的精准性和鲁棒性,有效满足了实际应用的指标需求。2.提出了一种基于损失函数自适应调节学习率的算法。该算法利用当前损失函数值与上一步损失函数值调节学习率步长因子,无需人工频繁调参。解决了神经网络中因学习率参数难以设置,导致的辐射源个体识别模型学习速度慢、训练耗时、越过最优解等问题。由实采辐射源信号进行仿真,结果表明,在相同条件下,与现有学习率相比,本文提出的基于损失函数的学习率算法有效提升了辐射源个体识别模型的收敛速度和识别精度,减小了训练迭代的次数,优化了模型性能。3.提出了一种加权的迁移极限学习机算法。该算法在小样本条件下,利用基于实例的迁移学习和极限学习机理论,实现源域向目标域的“知识迁移”。解决了实际战术通信网络中,因辐射源标记样本数不足,导致新增辐射源个体识别困难的问题。由实采辐射源信号进行仿真,结果表明小样本条件下,本文提出的算法有效提升了新增辐射源个体识别的精度,比DAELM算法平均提升了3%,比传统ELM算法平均提升了29%,证实了该算法的有效性。