辐射源个体识别与精细化分析是认知电子战的关键任务。面对日益复杂的电磁背景及非合作强对抗的战场环境,传统辐射源个体识别方法可靠性不足,无法满足现实需求;深度学习等人工智能方法虽然取得了一定的成果,但其受大数据驱动,与实际工程中的小样本现实相矛盾。针对小样本情景下辐射源个体识别困难的问题,本文分别使用实采雷达辐射源及实采电台辐射源个体原始数据构建数据集,并围绕时频特征提取、多时频特征融合、神经网络模型优化三个方面展开小样本辐射源个体识别的研究,主要工作及创新如下:1、采用4种方法提取辐射源信号时频特征并分析各单时频特征模型性能。首先,对辐射源原始信号进行预处理,其次,采用短时傅里叶变换、连续小波变换、魏格纳-威利分布、希尔伯特-黄变换分别提取辐射源时频特征并构建数据集;最后使用卷积神经网络,残差网络,密集卷积网络三类神经网络分别完成不同训练样本数量下基于不同单一时频特征的辐射源个体识别任务。实验表明,上述4类时频特征均有效用于识别;密集卷积网络识别效果最好;模型性能与样本数量呈正相关。2、提出3种基于多时频特征融合的小样本辐射源个体识别方法。针对上述4类时频特征,分别提出了数据级、特征级、决策级3种特征融合算法,用以解决小样本情景下辐射源指纹特征提取困难的问题。实验结果表明,三种特征融合算法均能有效提高小样本辐射源个体识别模型准确率。3、针对多时频特征融合模型,提出3种连贯的模型优化方法。首先,提出了一种基于注意力机制的特征融合优化方法,通过增强目标重要特征并抑制无关特征,提高了数据级及特征级融合模型的泛化能力。其次,提出了一种基于损失函数值的学习率自适应衰减策略,通过损失函数值自适应调整全局学习率,使网络在训练前期具备较快的收敛速度,在训练后期生成更稳定的模型。最后,采用自动机器学习方法进行网络超参数自动调优,在节省人力的同时获得更优的模型。本文提出的各方法前后关联,最优技术路线为“多时频特征提取-特征级融合-基于注意力的融合优化-结合自适应学习率的网络自动调优”。相较于最优单时频特征模型,本文最优技术路线下获得的模型在小样本雷达数据集上,准确率提升4.16%,其中特征融合、融合优化模型准确率分别提升2.22%、2.83%;在小样本电台数据集上,提升10.60%。其中特征融合、融合优化模型分别提升8.72%、9.77%。