雷达辐射源识别是雷达侦察系统的重要组成部分,及时有效的雷达辐射源识别能够获取敌方雷达的方位、型号、威胁等级等信息,在现代电子战中取得先机。但是随着各种新体制雷达和复杂体制雷达的不断投入使用,电磁环境极度恶化,传统的辐射源识别方法已经难以满足瞬息万变的战场环境对于识别性能的要求。针对这一问题,本文提出了一种基于深度学习的辐射源识别算法,根据雷达辐射源信号的特点设计了一种优化的卷积神经网络,并在决策层进行了特征融合处理,使得识别效果有了非常大的提升,同时也增强了识别系统的鲁棒性。本文的主要工作如下:从雷达侦察系统出发,分析进行信号预处理的原因,分别对信号降噪、信号归一化处理、信号脉内调制方式识别、多径信号检测与抑制的方法深入研究,为辐射源信号特征的提取奠定基础。针对辐射源个体特征提取,研究分析了辐射源信号的时域包络特征、频域特征、模糊函数切片特征和循环谱特征的提取方法,为辐射源信号识别提供了稳定可靠的分类特征。通过分析卷积神经网络的网络结构和优势,根据实际雷达数据样本数量较少的特点,设计了一种含有三层卷积层、三层池化层和两个全连接层的卷积神经网络。通过实测雷达数据的实验证明该网络能够提取辐射源信号更加细节性的可辨别性特征。为了防止本文设计的卷积神经网络出现过拟合现象,对其进行改进,引入数据增强、随机失活策略和多任务学习策略,通过实测雷达数据的实验证明了这三种策略能有效地防止过拟合现象,提高了雷达辐射源信号的识别率。提出了一种基于决策层的多特征融合算法,将多个特征通过卷积神经网络输出的结果进行融合,使得它们之间的特征信息能够互补,提高了系统的容错率。实测雷达数据的实验证明了融合后的识别率高于任意一个单一特征的识别率,而且具有很强的鲁棒性。