现代战场上常规雷达开始逐渐被新体制雷达取代,传统的基于雷达特征五参数的雷达信号分选和识别算法已经失效,而通过对雷达辐射源信号脉内有意特征和无意特征的分析,可以实现基于短时观测数据的雷达信号的分选和识别。因此,近些年来对于如何在密集环境中截获信号并进行脉内特征提取成为雷达信号分选和识别的重要研究内容。与传统的方法相比,基于深度神经网络的雷达信号脉内特征分析不仅可以减少人工提取特征的巨大工作量,而且在低信噪比的环境下能够取得与人工提取特征效果相似甚至更好的效果。通过借鉴深度学习在图像识别和语音信号识别上的应用,本文结合雷达信号有意特征和无意特征各自的特点,分别使用了卷积神经网络和稀疏自编码网络分别对雷达信号进行有意特征提取和无意特征提取。在雷达信号有意特征分析方面,首先使用CWD(Choi-Williams分布)时频分析对8种常用的雷达信号进行时频分析,并且建立起由8种雷达信号时频图像组成的小规模的图像数据集,并且本文使用了迁移学习的方式有效避免了神经网络在小样本的数据集上容易过拟合的风险。最终的实验结果表明三种网络进行迁移学习的整体识别率均能达到90%以上。为进一步提高识别率,本文通过特征融合的方法对基于迁移学习的雷达信号识别算法进行了改进,改进算法对8种信号的整体识别率提高到了95%以上。根据雷达信号无意调制特征的特点,本文首先对实测的雷达信号进行双谱分析,并且对双谱数据进行预处理,利用堆叠式稀疏自编码器(s SAE)对预处理后的双谱数据进行特征的自动提取。为了提高分类性能,本文使用了XGBoost作为分类器对神经网络提取到的特征进行识别分类。对三种实际雷达发射信号的实验结果表明,总体识别率可达95%以上。本文提出的算法能够很好地提取雷达信号的无意特征。