由于电子信息技术和电子对抗的迅速发展,使得雷达对抗系统成为了当前信息化智能化电子战的研究热点。而雷达对抗系统最重要的功能之一是雷达辐射源信号识别,对截获的雷达信号进行分析和识别,以判断雷达的种类、用途、载体、危险程度和识别准确性。因此,高效准确的雷达辐射源识别对于后续的雷达分析和行动准备至关重要。并且随着雷达系统不断深入的研究,雷达信号调制方式日益多样,电磁环境越来越复杂。所以寻找一种有效的能在强噪声环境下雷达辐射源识别方法具有重要的意义。面对强噪声下的雷达辐射源识别,传统方法往往存在人工提取特征计算量大、主观性强、低信噪比下失效并且需要研究人员具有大量的雷达信号处理相关知识等缺点,传统方法性能已难以满足需求。随着近十年神经网络的迅速发展,并在信号处理和识别中有了广泛应用。因此本文以基于神经网络的雷达辐射源识别作为研究对象,展开了具体研究,主要研究内容如下:（1）针对在低信噪比条件下,复杂雷达辐射源信号识别困难的问题,提出一种基于改进的深度残差网络的雷达信号识别方法。首先通过Choi-Williams时频变换将雷达信号转换为二维时频图像以体现信号的特征信息;之后利用时频图像预处理和去噪卷积神经网络对时频图像进行去噪;然后将去噪后的图像输入到改进协调注意力残差网络进行特征提取,最后利用Softmax函数完成对雷达辐射源信号的分类识别。建立了九种雷达信号的时频图像数据集,并与其他算法做了对比。实验结果表明,所提算法对噪声不敏感,在低信噪比下也有较好的识别率。（2）针对雷达信号时频变换获得时频图像需要较长的时间的问题,提出了直接以雷达IQ两路时域信号作为算法的输入,增强算法的实时性。在深度残差网络中实现软阈值去噪,并使用一个小型神经网络自动确定阈值,自适应地消除特征学习过程中的噪声信息。同时为了更好地利用雷达信号中时空相关性,引入了双向长短时记忆网络和自注意力机制,提升改进的残差神经网络的性能。并且建立了九种雷达调制信号的时域信号数据集,通过实验验证了所提算法在低信噪比下有不错的表现,为低信噪比下雷达辐射源识别提供了新的思路。（3）针对上述算法的计算量大以及复杂度高的问题,提出了基于知识蒸馏的模型轻量化的算法,增强雷达辐射源识别模型在某些算力不足设备上的适用性。在知识蒸馏时不光利用教师网络预测的软标签,还对教师网络的中间特征进行知识蒸馏。并且将上述提出的算法作为教师网络,选择轻量化模型ShuffleNet和MobileNet作为学生网络。实验结果表明,知识蒸馏后轻量化模型表现优于直接训练轻量化模型,同时减少了模型复杂度。