电子侦察是现代战争的重要组成部分,是获得电子情报的重要手段,也是执行电子对抗行动的前提条件。雷达辐射源信号识别是电子侦察中的重要环节,它既是侦察系统信号处理的目的,也是判断敌方武器威胁状况的重要依据。传统的识别方法已经无法满足现代战场对雷达辐射源信号识别自动化和智能化的要求,本文利用深度学习理论对雷达辐射源信号进行智能识别,主要开展以下工作:（1）针对基于时频图像特征的雷达辐射源识别,本文对雷达辐射源信号进行短时傅里叶变换得到时频图,对时频图像提取瑞利熵特征和中心矩特征,采用典型相关分析对两种特征进行特征融合,得到稳定可靠的分类特征。（2）针对基于卷积神经网络的雷达辐射源信号识别,本文利用Dense Net121模型对雷达辐射源信号进行识别,同时,对于在低信噪比下识别率低的问题,提出了两种解决方法:一种是基于在线特征拼接的组合式模型,通过将时频图像的瑞利熵特征和中心矩特征通过典型相关分析融合后的10维特征与卷积网络提取的特征进行在线拼接;另一种是使用Dense Net121模型对Res Net152模型进行知识蒸馏,在提高模型效果的同时控制模型大小。（3）针对开集雷达辐射源信号识别,提出了一种基于一类支持向量机的开集雷达辐射源信号识别模型,首先,将测试样本输入到闭集训练的卷积神经网络,得到softmax概率输出,通过概率输出获得类别和计算信心分数,然后将信心分数输入到一类支持向量机判断该样本是否为“异常”,若是,而将其标记为新类别信号,若不是,则输出其类别。同时提出了一种新的信心分数计算方法,相较于softmax输出概率的最大值,该信心分数能够更好的识别新类。