非合作信号解析技术已广泛应用于电子信息对抗等领域。非合作的接收机通过这种技术利用截获信号取得发射机的一些信息,以实现破译敌方情报或干扰敌方通信等目的。在现代数字通信系统中,数据通常以帧为单位进行传输。合作方的接收端首先会采用适当的算法并结合帧结构的信息来获取帧同步。然而这些对于非合作的接收机来说是未知的,所以其需要利用截获信号对帧结构进行识别。在获取帧同步后,倘若非合作的接收机想要进一步获取数据部分的信息就需要对其中采用的信道编码进行识别。本文针对上述两个问题,提出了基于深度学习的盲识别算法。首先考虑瑞利衰落信道下的帧结构盲识别。对于帧长和同步码长的识别,本文分别将RNN（recurrent neural network,循环神经网络）与基于窗口的相关函数方法和基于周期采样的均值函数方法相结合,提出了基于WRNN（window-based recurrent neural network,基于窗口的循环神经网络）的帧长识别器和基于SRNN（sample-based recurrent neural network,基于采样的循环神经网络）的同步码长识别器。对于时延的识别,本文从渐进性的角度,提出了基于窗口周期采样的相关函数方法,然后利用RNN对其进行改进,提出了基于SWRNN（sample-window-based recurrent neural network,基于窗口采样的循环神经网络）的时延识别器。这三种识别器几乎不需要任何先验信息而仅需要数帧长度的截获信号便可完成对帧结构的解析。仿真结果表明本文提出的识别器对未出现在训练集的测试样本有很强的泛化性,并且相比于未结合传统算法的RNN识别器,其所需的训练样本数量大大降低。接下来考虑对受到高斯噪声干扰的信号进行信道编码类型和编码参数的识别。具体而言,基于RNN,注意力机制和Res Net（residual network,残差网络）,提出了三种通用识别器来识别目标信道编码的类型,码率和码长,其中产生训练集仅利用了所有可能编码参数的一小部分。本文所提出的识别器需要目标信道编码的先验知识接近于零,并且仅要求接收信号的长度是码字长度的数十倍。仿真结果表明,本文所提出的深度学习方法对于未使用训练集参数的测试样本具有很强的泛化能力。