随着信息化的快速发展,战场电磁环境日益复杂,雷达作为一种重要的目标探测装备,从简单的常规信号,如连续波以及脉冲信号,发展到线性调频、脉冲编码等低截获脉冲压缩信号,大大地提高了雷达探测以及抗干扰能力。同时,由于信号电磁环境复杂化,对电子侦察系统也提出了越来越高的要求。针对目前高科技战争对雷达辐射源识别技术要求较高的问题,本文在引入了深度学习算法的基础上,将雷达辐射源识别与深度学习相结合,对雷达辐射源识别技术进行了深入研究。本文的研究内容主要包括雷达辐射源信号预处理、特征提取和深度学习网络的训练、预测和识别三个部分。论文的主要工作安排如下:1、建立了雷达辐射源信号模型,对常规脉冲信号、线性调频信号、非线性调频信号、相位编码信号以及频率编码等雷达辐射源信号进行了分析和仿真。2、研究了辐射源信号的特征提取方法和基于深度置信网络的辐射源分类识别。分别采用短时傅里叶变换、小波变换及魏格纳-威利变换等三种时频分析法将截获的雷达信号从时域转换到了时频域,并对时频图像进行灰度化、噪声抑制等预处理;针对图像预处理可能导致雷达辐射源信号的重要特征丢失问题,提出了奇异谱特征分类识别的方法,首先对时频图像进行降维处理,得到奇异谱矩阵,然后通过优化调整网络参数,用深度置信网络对奇异谱矩阵进行分类识别,得到较好的识别效果。在信噪比大于0dB条件下,辐射源信号识别率大于90%。3、针对电子侦察系统接收的低截获雷达辐射源信号功率小,导致信噪比较低,从而影响识别准确率的问题,提出了两种解决方法。第一种方法是引入基于稀疏降噪自编码器的深度置信网络,通过改善输入辐射源信号的信噪比,提高了雷达辐射源信号的识别率;第二种方法是利用特征融合的方法,将多种时频变换方法获得的雷达辐射源信号的时频特征融合,对融合后的时频特征进行二次特征提取与训练识别;通过仿真实验,将两种方法的识别率与传统的深度置信网络识别方法做对比,信噪比-5dB以上条件下,辐射源信号识别率均在90%以上,-10dB以上信噪比条件下,两种方法的识别率均达到80%以上,从而验证了这两种方法的有效性。