辐射源个体识别是判断敌军作战平台、战略意图以及威胁级别工作的重要环节。从以往基于模板、人工特征方法,到近期依靠机器学习、人工智能手段;现有辐射源个体识别技术在辐射源模式固定且数据充足的条件下已取得了优秀的识别性能。但随着软件无线电技术的引入和发展,辐射源工作模式愈发灵活多变。加之辐射源为对抗干扰,其战时模式和平时模式差异大。现有基于数据驱动的识别方法对含有未知模式的跨模式个体识别能力较差。本文针对辐射源的跨模式识别问题,从信号指纹提取、多模态信息融合以及鲁棒化识别三方面开展研究,主要内容及贡献如下:第一、针对辐射源跨模式特征分布厚尾问题,设计了基于超球面分布的改进短时傅里叶变换预处理算法。通过改善样本特征分布,减少了类别判决成本,加速了网络的收敛。在辐射源跨模式实测数据上实验表明,改进预处理算法使得辐射源同模式异类样本中心分布更加分散,并且跨模式同类样本中心分布更加趋同。第二、针对辐射源跨模式稳态特征提取问题,设计了一种基于部分调制特征引导的神经网络跨模式特征提取方法。通过将信号产生模型中的调制特征嵌入到训练样本标签,引导网络提取模式不敏感特征。在使用线性判别的条件下,相较传统方法提升了31.99%的跨模式识别准确率。第三、针对辐射源个体识别的多模态融合问题,设计了基于样本-平台信息异构图的多模态信息融合方法。使用图卷积神经网络拟合辐射源之间的信息传递过程。在多模态样本数据条件下获得了同模式识别93.66%准确率,以及跨模式82.47%准确率。第四、针对鲁棒化多模态融合辐射源个体识别问题,设计了一种基于模态间关系的辐射源跨模式识别网络。通过利用图卷积和图收缩技术,实现了样本模态缺失情况下的鲁棒化识别。在多模态信息缺失样本占比50%的条件下,获得了同模式识别95.35%准确率,以及跨模式86.30%准确率。