随着现代电子信息技术的快速发展,新体制雷达不断涌现,雷达信号波形越来越复杂,基于常规参数的雷达辐射源识别已经难以满足现代电子对抗的需求。因此,必须深入研究雷达辐射源信号的脉内特征,通过提取识别效果更好、更具有普适性的特征来适应精确电子战的发展。时频分析作为处理非平稳信号的有力工具,能够将一维的时域信号映射为时间和频率的联合分布。通过将信号转化为二维时频图像,从图像识别的角度完成辐射源信号的识别。而深度学习模型能够对信号或者图像进行自动的特征提取,省去了人工提取的步骤,逐渐成为雷达辐射源信号脉内特征提取的一种新方法。本文应用深度学习中的卷积神经网络来实现雷达辐射源信号的识别,主要工作如下:1.在研究信号时频分析的基础上,提出了基于时频图像和卷积神经网络的雷达辐射源信号识别方法。该方法首先通过时频变换将一维的雷达信号转化为二维的时频图像,然后利用数字图像处理技术对时频图像进行预处理,最后采用卷积神经网络实现信号的分类识别。文中对不同调制方式和相同调制方式的两种数据集进行了仿真实验,结果表明,该方法能够在较低的信噪比下获得满意的正确识别率,当信噪比为-10dB时,不同调制方式的平均识别率仍能够达到97.78%,而对于不同带宽的LFM信号更是能够达到99.75%的平均识别率。2.为了进一步减少数据预处理和训练时间,提出了基于一维卷积神经网络的辐射源信号识别方法。该方法只需对原始信号做简单的预处理,从而省去时频变换耗费的大量时间。文中对不同调制方式和相同调制方式的两种数据集进行了仿真实验。仿真结果表明,一维卷积神经网络能够在减少数据预处理和训练时间的同时,有效地识别雷达辐射源信号。在信噪比为低至-4dB时,对不同调制方式的信号能够达到99%以上的平均识别率,而对于不同带宽的LFM信号,则效果相对较差,但也能在信噪比为-2dB时达到99%以上,从而验证了该方法的有效性。