作为当前研究的热点算法,深度学习具备很强的数据特征表达能力,不仅能克服传统神经网络体系结构通用性差的缺陷,而且训练出的模型能自适应地学习到人工方法难以提取到的重要特征。因此,基于深度学习研究的智能技术得到了迅猛的发展和广阔的应用空间,给社会各个领域的进步带来了巨大的推进作用。现代雷达辐射源信号具有参数多变、形式多样、变化规律复杂等特点,用常规的信号分选识别方法来处理这类复杂信号,往往存在计算量大、过程繁琐和效率较低等不足,这严重影响了当前复杂体制雷达信号的分选识别。深度学习依靠多层深网络模型,能学习到数据丰富的隐含信息,所以,利用深度学习自动地学习和分选识别大量复杂的雷达辐射源脉冲数据,具有重要意义。本文的具体研究工作如下:1、介绍现有雷达信号识别方法的发展现状和优缺点,以及深度学习算法的发展和基本原理;针对现有雷达信号识别方法中难以快速提取到重要特征、计算复杂和表达能力有限等问题,提出一种基于深度信念网络模型的信号识别方法,对信号进行自动学习与分析,获取能反映信号本质特征的信息,来提升雷达信号分选识别的效果。2、通过层叠泛化的集成学习思想对深度模型进行改进,构建多层深度信念网络的层叠集成模型,避免参数寻优的过程,能解决单一模型学习力不足、准确度较低等问题;通过对仿真的8种来自不同雷达辐射源的脉冲信号进行深入分析与学习,层叠集成多个深度学习模型的结果进行最终分类决策,相比原深度模型,这种方法有效提高了信号识别的准确度。并通过实验与其它不同的信号分类方法进行比较,结果显示,该方法获得了更令人满意的效果,从而验证了算法的有效性和优越性。3、通过线性集成每层深度模型的后验概率,并引入损失函数和正则化参数进行学习,获得新的数据集,再通过决策层确定最终的分类结果,从而改善模型的性能;通过仿真实验,与不同集成学习方法进行对比,表明该方法不仅能提高识别率,还能从一定程度上提高算法的稳定性,克服过拟合问题。