卫星接收信号的分类与其目标识别是认知电子战中的一个重要研究方向。随着各国卫星通信、侦查网络的不断发展,基于卫星接收数据的目标信号分类与识别愈加重要。传统的深度学习信号分类与识别算法往往存在易受信道干扰、需要大量人工标注、无法适应对未知（新）目标识别需求等缺点。为了克服以上不足之处,本文基于度量学习方法对实际工程项目中卫星接收信号的分类和目标识别算法存在的问题展开研究,形成主要工作和创新如下:（1）提出了一种结合深度学习与PCA降维、SVM聚类方法的卫星接收目标个体识别算法,该算法针对实际工程卫星接收的目标通信信号,完成了从接收信号体制分类,到利用个体识别网络对已分类的信号进行个体识别的整体流程。首先,使用特征残差网络对信号进行特征提取,再通过PCA降维与SVM聚类对信号进行筛选,最后根据聚类的结果,将特定体制的感兴趣信号作为数据集,利用个体识别网络进行目标识别。经测试,在该工程项目中,卫星接收到的3种信号体制的聚类准确度超过95%,感兴趣体制信号8个目标的个体识别的准确度超过95%。（2）提出了一种基于孪生网络的卫星接收目标开集识别算法。该算法针对传统个体识别网络无法适应新目标的场景,根据是否有未知类先验信息给出了对应情况的判决门限确定方法:有未知类先验信息时,算法使用空间特征中心求得样本度量分布,并利用该分布确定未知类判决门限;无未知类先验信息时,算法通过最小化对比损失给出未知类判决门限。两种情况下,算法均使用空间特征中心作为孪生网络已知类内识别时的锚点,以提升已知类判决准确率和判决时的稳定性。经测试,在有未知类先验信息的情况下,优化的组合孪生网络已知类判别准确率为97.76%;未知类判别准确率为95.98%,相比传统孪生网络分别提升7.94%和3.84%。无未知类先验信息情况下,优化的组合孪生网络已知类判别准确率为98.75%;未知类判别准确率为84.46%,已知类识别准确率提升11.7%,总体准确率相较传统孪生网络提升1.30%。（3）搭建了卫星接收信号分类和目标个体识别试验验证系统。该系统通过图形用户界面构建前端展示,利用后端接口调用主体算法,包含目标信号处理子系统、目标信号聚类子系统和目标个体识别子系统三个系统,完成了从信号预处理、信号体制聚类、目标个体识别的整体流程,实现了本文算法在实际工程中的可视化应用。