雷达辐射源信号的识别是电子对抗中的一个关键的环节,随着近半个世纪的发展,辐射源信号识别技术取得了非常大的进展。然而,由于电磁环境的日益复杂,辐射源信号识别的被动对抗等特殊因素,传统的基于常规参数的信号分析方法已经远远无法满足识别的要求,现有的脉内特征分析法一般采用人工方式来提取特征进行识别,而且计算量也比较大,难以满足现代电子战对于自动化、信息化、智能化的电子侦察系统及设备的需要。所以本文研究了一种基于深度学习的分类识别方法。该算法能够自主从数据中学习特征,通过组合低层特征形成更加抽象的高层表示属性类别或特征,在图像的智能化分类识别上取得了不错的效果。本文研究了近几年较流行的深度学习神经网络的方法解决雷达辐射源信号的分类问题。通过对几种经典的雷达信号做时频变换,将获得的时频分布图做了滤波灰度化等处理后,输入到深度网络中学习,进而实现了基于深度学习的雷达辐射源信号的识别算法。本文的主要工作如下:1.论文对六种常见的信号,常规脉冲信号、线性调频信号、相位编码(二相编码信号、四相编码信号)信号以及频率编码(双频频率编码信号、四频频率编码信号)等有意调制的信号进行仿真实现,并对信号做了Margenau-Hill分布和Wigner-Ville分布,对得到的时频分布图做了进一步的处理,获得深度网络训练和测试的数据。2.用自动编码器网络对信号进行分类识别,对网络的学习率、块大小、训练次数等参数进行了分析,获得了在该网络结构下信号最好的识别率。同时对比了不同样本大小的信号的分类结果,验证了自动编码器的性能与样本数量的关系。3.建立了适用于雷达辐射源信号识别的深度置信网络,与之前工作类似,对网络参数进行了分析,对比了不同参数条件下信号的分类效果,证明了深度置信网络的性能与样本数量的关系。4.引入了卷积神经网络,实现了基于卷积网络的雷达信号分类识别。卷积神经网络使用了局部连接、权值共享和池化的策略,极大地减少了训练的参数。通过实验验证了卷积神经网络的性能与样本数量的关系。同时上述三种网络都有较好的抗噪声性能。