在现代电子战中使用电子对抗侦察获得更多的战场情报是获取胜利的首要条件。基于雷达信号脉内细微特征对辐射源进行个体识别是进一步获取战场情报的有力手段,也是及时实施准确干扰的前提和保障。现代侦察面临的电磁信号环境复杂多变,很多情况下截获信号的信噪比较低且调制样式多样化,但是在复杂环境下的雷达辐射源个体识别研究相对缺乏。为了实现复杂环境下雷达辐射源个体的高效识别,本文研究了采用小波变换降噪的Hilbert脉冲包络特征提取算法,提出了基于循环神经网络(Recurrent Neural Network,RNN)的雷达辐射源个体识别方法,分别对脉冲包络特征波形和对信号时域特征波形进行了分类识别,实验结果验证了该方法的有效性。以下是本文的主要工作内容:1、研究了深度学习理论基础,给出了深度学习体系的基本结构,深入研究了卷积神经网络(Convolutional Neural Network,CNN)的模型和各个功能层的作用,分析了RNN的神经元结构和RNN的基本结构,重点讨论了神经网络训练过程中的准则及方法。2、针对低信噪比下Hilbert变换法提取信号包络特征不明显等问题,采用小波变换法对信号包络做降噪处理,并通过仿真实验对滑窗平均和小波变换这两种降噪方法进行比较分析,发现小波变换法处理后的信号包络更加贴合原包络。考虑功放非线性Saleh模型在建模时需构造相位非线性变化实现复杂,采用功放非线性Taylor级数模型作为功率放大器的行为模型,并通过仿真实验对这两种模型进行比较分析,发现两种模型处理后信号的频域变化几乎一致,但功放Taylor级数模型不仅模型简单且实现简便。3、设计并训练了CNN来分类识别脉冲包络特征波形和信号时域特征波形,仿真实验表明,在低信噪比和多调制类型环境下,CNN对这两种特征波形的识别率分别为98%以上和97%以上。为了进一步降低复杂环境对个体识别的影响,结合RNN在处理时序数据上的优势,设计并训练了RNN来分类识别脉冲包络特征波形和信号时域特征波形,仿真实验表明,在低信噪比和多调制类型环境下,RNN对这两种特征波形的识别率分别为99%以上和98%以上,其识别效果优于CNN。在CNN和RNN的训练过程中,前者收敛速度快,需要的训练集数据较少,但是训练时长较长,后者收敛速度慢,需要训练的数据较多,但是训练时长较短。