辐射源个体识别作为一种典型的模式识别问题,是实现频谱感知的重要步骤。传统辐射源个体识别方法处理流程复杂,难以快速实时地从复杂的电磁环境中获取所需信息,而现有基于深度学习的辐射源个体识别方法存在特征单一、判别性差、输入格式受限等问题。本文针对以上问题,以深度学习中的胶囊网络为基础框架,设计了三种信号胶囊网络模型用于辐射源个体识别任务。具体工作内容及成果如下:1.为了解决现有深度学习辐射源个体识别方法提取特征单一化的问题,设计了基于多视信号胶囊网络辐射源个体识别方法。首先,使用原始采样信号、时频谱图和信号Wigner-Ville变换图作为模型多个视角的输入;其次利用注意力机制融合多视特征,提升特征的表征能力;最后使用胶囊网络结构提升模型的泛化能力以及鲁棒性。在天眼杯竞赛数据集上进行了模型有效性实验及分析,结果表明本方法识别精度相较当前常用的四种深度学习模型至少有1.7%的提升,证明了本方法的有效性与鲁棒性。2.为了提升上一章方法提取信号特征的判别性,设计了基于判别信号胶囊网络的辐射源指纹识别方法。首先使用原始采样信号作为模型输入,利用一维卷积对其进行特征快速提取;其次,通过增大判决间隔对softmax损失进行修改,增强提取的特征判别能力;最后引入胶囊网络使得模型具有更好的抗干扰能力。在天眼杯竞赛数据集上进行了模型有效性实验及分析,结果表明本方法设计的判别损失函数能有效提升模型性能。3.为了突破模型信号数据输入格式的限制,设计了基于图信号胶囊网络的辐射源指纹识别方法。首先根据辐射源信号采样点之间的距离大小将信号重构为无向图,然后将生成的无向图作为网络的输入;其次利用图卷积操作来提取拓扑结构特征;最后级联胶囊网络,提升模型的泛化能力以及鲁棒性。在天眼杯竞赛数据集上进行了模型有效性实验及分析,结果表明本方法在实际数据上可以达到85.0%的整体识别准确率,证明了图信号胶囊网络的可行性与有效性。