雷达辐射源识别是雷达对抗的重要组成部分,在电子战中起着至关重要的作用。随着科技的发展,新型雷达和电子战装备不断涌现,信号的调制方式和参数变得更加复杂多样,基于传统信号特征的雷达辐射源识别技术难以取得令人满意的成果。将人工智能与信号脉内特征相结合应用于雷达辐射源识别成为了重要的研究方向。针对现有雷达辐射源识别技术在低信噪比情况下识别性能明显下降的问题,本文将时频分析方法和深度学习中取得优异成果的卷积神经网络(CNN)和循环神经网络(RNN)相结合应用于雷达辐射源识别技术。本文研究工作如下:1.讨论了常见的几种雷达辐射源信号模型,仿真分析了它们的时域、频域特征;研究了Morlet小波变换、Wigner-Ville分布,平滑伪Wigner-Ville分布这三种时频分析方法,并通过仿真比较了几种方法的性能。2.分析了深度学习中的常见模型,深入研究了卷积神经网络和循环神经网络的结构功能、训练算法和训练过程,分析了训练中存在的问题并给出了解决方案。3.提出了一种基于优化CNN的雷达辐射源识别方法,给出了识别的流程。采用基于Morlet小波变换的时频分析方法获得了雷达辐射源信号的时频图,讨论了针对时频图的预处理方法。通过引入dropout层、Softmax层,Tensorflow框架,优化了卷积神经网络的结构。对不同调制方式和相同调制方式不同调制参数的雷达辐射源信号进行仿真实验,结果显示该方法不但在高信噪比条件下具有优异的性能,而且在低信噪下也具有良好的识别效果。即使信噪比低至-14dB时,在一定仿真条件下,对五种不同调制方式雷达辐射源信号和三种相同调制方式的不同调制参数雷达辐射源信号仍然具有极好的识别效果。4.研究了基于循环神经网络的雷达辐射源识别方法,给出了识别流程。将雷达辐射源信号产生的时频图按照时间轴进行分割,获得时间-频率序列作为输入的特征向量。对于循环神经网络,在其隐藏层添加记忆单元,形成长短期记忆网络LSTM。经仿真验证,该方法在对性能影响不大的前提下,缩短了仿真时间。当信噪比低至-8dB时,在一定仿真条件下,对五种不同调制方式雷达辐射源信号和三种相同调制方式的不同调制参数雷达辐射源信号仍具有令人满意的识别效果。仿真实验表明时频分析方法对识别率等性能影响不大,但是输入图像尺寸、学习率、隐藏单元个数会对识别性能造成影响。