辐射源个体识别一直是军用和民用领域的十分重要的研究方向。辐射源个体之间,因为其电路元件参数总是不可避免的存在一定的差异,导致产生的输出信号也存在细微的区别。如何找出并区分这些细微差异,是辐射源个体识别的关键所在。本文结合深度神经网络,在上述研究方向上做出了一定的探索。研究的主要内容如下:首先,在辐射源行为建模方面,本文针对D类功率放大器,研究了Volterra级数建模方法和部分神经网络建模方法。为了解决RNN（循环神经网络）之类的动态神经网络建模效率低、训练难等问题,提出并实现了基于TCN（时序卷积网络）的功率放大器建模方案。之后在仿真信号和实测信号上,与Volterra级数建模、RNN建模和LSTM（长短期记忆神经）建模方法进行了性能对比。结果表明,无论在时域还是频域,本文提出的建模方案都具有更好的建模精度,且实现速率更快,训练更容易。接着,本文研究了高阶谱相关理论（包含双谱和倒双谱）在辐射源特征提取方面的应用,考虑到高阶谱丰富的相位特性,结合全相位傅里叶变换（ap FFT）的“相位不变性”,提出了基于全相位傅里叶变换的双谱相位谱特征。之后采用CNN（卷积神经网络）对双谱幅度谱、ap FFT双谱相位谱以及倒双谱的对角切片作了进一步的提取,通过实测信号加高斯噪声,验证了不同信噪比下三种特征的有效性。最后,考虑到“数据预处理→特征提取→分类器设计”思路带来的低泛化性、低稳定性和低耦合性问题。采用端到端分类器的解决思路,将预处理、特征提取和分类器三者合并为一个黑箱系统,设计并实现了深度特征学习分类器。得益于内部的倒残差模块、深度可分离卷积以及幻影模块等高性能设计,该分类器在拥有强大分类能力的同时,也具备极高的工作效率。在实际声纳水池信号数据集上进行了测试,取得了良好的分类结果。