暂态信号和稳态信号识别一直是信号识别领域的重要研究方向,在电子侦查,电子对抗等非合作通信场景中发挥着重要的作用。在军事上,通过识别稳态调制信号的调制方式可以获取更多的情报,有利于我军做出及时而准确的决策。民用方面,通过对室外电磁环境的检测,政府部门可以根据调制信号类型及时分析干扰信号,并维护通信秩序的安全稳定。暂态信号在辐射源个体识别等方面也有着重要的作用,例如可以对复杂电子系统运行的可靠性进行评估,及时发现故障,提高系统整体运行的稳定性和生产中的故障处理能力,保障系统平稳有序进行。基于这种状况,本文提出了基于机器学习的暂态开机脉冲信号识别和基于深度学习的稳态调制信号识别方案。本文主要工作内容和创新点如下:(1)由于暂态开机脉冲信号的随机性和瞬时性,如何准确地确定暂态信号的起始点,成了目前研究过程中的难点,为了解决这个问题,本文提出了一种基于滑动窗方差自适应有效段截取算法,该算法能够利用暂态信号的方差特点,使起始点阈值随着环境中噪声的变化而变化,在噪声较大的情况仍然能将暂态开机信号从原始信号中分离出来,为后面提取更纯净的特征提供了基础保障。(2)提出并构建了基于时域,频域和空间域的38维混合特征模板,并进行了特征重要度分析,创建机器学习模型,并进行模型融合,在离线情况下,基于暂态信号特征,将四个电子设备的平均识别率从96.21%提高到97.91%,同时提高了模型的稳定性。(3)针对16种稳态调制信号识别问题,搭建ResNet34层残差网络,利用希尔伯特变换,加入AM-Softmax层等方案提高了识别率,并搭建真实的通信环境进行了实验验证。