特定辐射源识别旨在依据由目标辐射源所载发射机的硬件差异所产生的并以无意调制形式寄生在其发射信号上的指纹特征,来实现对目标辐射源的精准识别。作为电子侦察领域的重点研究课题,它能在战前和战时为我方提供宝贵情报,以便我方及时洞悉敌方动态和意图,进而达到知己知彼、克敌制胜的战争目的。随着战争形态逐渐从信息战演变成智能战,特定辐射源识别朝智能化方向发展也将是大势所趋。尽管深度学习为特定辐射源识别的智能化发展提供了机遇,但是现有的探索性研究并未充分地发挥出深度学习的优势。其根本原因在于研究者并未结合特定辐射源识别的研究特点来运用深度学习。具体地,对于发射信号而言,其所包含的调制信息可分为有意调制信息和无意调制信息。表征目标辐射源体制特征的有意调制信息有损于识别且占比较大,而表征目标辐射源指纹特征的无意调制信息有助于识别却占比较小。如何将分散且隐匿在有意调制信息之中的微弱但有效的无意调制信息挖掘出来,一直是困扰特定辐射源识别发展的瓶颈问题。因此,只有赋予深度学习打破有意调制信息和无意调制信息之间占比不平衡的能力,才能够彻底改变特定辐射源识别智能化发展停滞不前的局面。本文为此提出了区域提议机制、对抗分解机制、区域提议和对抗分解联合机制、以及双线性池化和对抗分解联合机制,用以指导深度学习在指纹特征提取过程之中如何应对由有意调制信息和无意调制信息之间占比不平衡所造成的负面效应,同时通过设计专属深度神经网络将以上机制付诸实践:第一、区域提议机制的创新点在于其为深度学习赋予了无意调制信息定位功能,即该机制通过检测无意调制信息分布区域的方式滤除了位于分布区域之外的有意调制信息,进而保障了深度学习能够在无意调制信息占比较大而有意调制信息占比较小的指纹特征提取范围内发挥其自身优势。凭借自监督学习和排序算法等策略所搭建的自主导航网络,则确保了区域提议机制能够以深度神经网络的形式有效执行。第二、对抗分解机制的创新点在于其为深度学习赋予了有意调制信息隔离功能,即该机制通过分解有意调制信息和无意调制信息的方式将有意调制信息隔离起来,进而保障了深度学习能够在只有无意调制信息而没有有意调制信息的指纹特征提取范围内发挥其自身优势。凭借对抗训练、正交限制和二元判别等策略所设计的结构分解网络、特征分解网络和判别分解网络,则确保了对抗分解机制能够以深度神经网络的形式有效执行。第三、区域提议和对抗分解联合机制的创新点在于其为深度学习赋予了无意调制信息定位和有意调制信息隔离双重功能,即该机制先通过检测无意调制信息分布区域的方式滤除了位于分布区域之外的有意调制信息,再通过分解有意调制信息和无意调制信息的方式将位于分布区域之内的有意调制信息隔离起来,进而保障了深度学习能够在无意调制信息分布密集且有意调制信息排除在外的指纹特征提取范围内发挥其自身优势。参考自主导航网络和判别分解网络所设计的导航分解网络,则确保了区域提议和对抗分解联合机制能够以深度神经网络的形式有效执行。第四、双线性池化和对抗分解联合机制的创新点在于其将无意调制信息定位和有意调制信息隔离双重功能以更为简洁的形式赋予给深度学习,即该机制通过双线性池化变换将无意调制信息定位以特征编码形式纳入到指纹特征提取过程之内,进而保障了深度学习能够将以上双重功能有机地融为一体。参考双线性池化变换和判别分解网络所设计的双线性分解网络,则确保了双线性池化和对抗分解联合机制能够以深度神经网络的形式有效执行。最后,本文基于实测数据实验,通过比较分析识别精度和特征分布两项指标,定量和定性地验证了以上机制的合理性以及遵循以上机制所设计的深度神经网络的可行性。本文的研究工作,为特定辐射源识别智能化发展开创出了崭新的局面,也必将并为后续的研究工作提供有益的参考价值。