当前深度学习应用于目标识别的经典模式仍然是孤立学习范式,即依赖人类筛选和准备的一个给定数据集,运行一个机器学习算法,构建一个模型后应用在实际任务。这种学习范式擅长工作于封闭环境,为特定任务揭示数据中蕴含的规律。然而,实际应用场景通常具有动态开放的特点,数据随环境的变化、目标模式的变化、未知目标的出现等,都会显著恶化深度学习的应用效果。针对该问题,本文面向实际复杂电磁环境下的目标识别任务,探索能够应对数据演化、任务演化,且能够进行模型自演化的演化深度学习新范式,并设计在数据、任务、模型层面上构有连续学习能力的演化深度学习新方法。在通信辐射源个体识别中对各方法进行了验证,结果表明了各方法的可行性与有效性。主要研究内容及成果如下:1、针对数据质量恶化的数据演化问题,设计了基于深度残差收缩网络的通信辐射源个体识别方法。利用残差结构可以训练深层网络的特点,挖掘信号更深层次的特征;引入残差收缩模块,在训练过程中自动学习最佳滤波阈值,基于空间注意力机制对所提取到特征的各个通道进行软阈值化,将噪声信息转换至近零域;最后滤除信号中的冗余和噪声信息,提高模型的鲁棒性,实现数据演化场景下的通信辐射源个体识别。在所采集的数据集上进行个体识别的实验分析,实验结果表明:该方法在纯净数据集上可达到97%的整体识别精度,在含噪数据集上相比于其他常用的深度学习模型,识别精度提高了 10%以上,验证了该方法的鲁棒性。2、针对待识别的类别数动态变化的任务演化问题,设计了基于深度孪生度量网络的通信辐射源开集识别方法。首先利用孪生度量网络的特点对已知类别进行训练,缩小类内距,增大类间距;之后将待识别样本与已知类别组成样本对,通过计算样本对之间的相似度,将相似度更低的判别为未知类别;同时为了提高算法效率,利用迁移学习手段,在检测出少量未知类别样本后对已经预训练好的个体识别网络进行微调,进一步识别出剩余的未知类样本。在所采集的数据集上进行开集识别的验证分析,实验结果表明,该方法可以有效识别出所有未知类别,初步检测结果准确率大于95%,证明了该方法的有效性。3、针对第三章中包含多种未知类的分选问题,设计了基于深度自进化聚类算法的通信辐射源信号分选方法。首先利用有标记的已知类别对个体识别网络进行预训练,再利用预训练好的个体识别网络对待分选的未知类信号进行降维,从而充分利用已知类别的监督信息;其次使用自进化聚类算法,先训练“简单”的样本对,再逐步加入“复杂”的样本对进行训练;最后将所学到的特征转化为特定的one-hot向量,采用定位最大激活响应位置的方法对所有未知类别样本进行标记,简化聚类算法中的类别标记过程。在所采集的数据集上进行信号分选的验证分析,实验结果表明,该方法的识别精度可达95%,证明了该方法的有效性。