雷达辐射源识别是电子对抗信号处理中的关键环节,是电子侦察和威胁告警系统的重要组成部分。但随着雷达技术的迅猛发展、新体制雷达的大量应用,雷达信号的密度和复杂程度都大幅升高,给复杂体制的雷达辐射源信号识别带来很大的困难,导致传统基于脉冲描述字五维特征识别的方法已经逐渐失效。而雷达辐射源信号的脉内调制作为信号的重要特征,能够减轻参数空间的混叠、提高辐射源识别率,可作为第六维特征重点研究。考虑现代雷达信号具有密度高、形式多样、非平稳等特点,本文研究基于时频预处理与卷积神经网络(CNN)的雷达辐射源识别方法。针对CNN在雷达辐射源识别中所存在的问题,重点提出基于改进CNN的雷达辐射源识别算法。通过大量对比实验、仿真表明,该算法具有识别率高、训练时间较短、泛化性能强等优点,更符合现代复杂电磁环境的需求。论文主要工作如下:1.建立雷达辐射源信号模型,对其中的八种雷达辐射源信号从时、频域进行仿真、分析。2.采用短时傅里叶、WVD变换以及小波变换等时频分析技术,对线性调频等八种雷达信号进行分析,通过在不同信噪比下对比,可以得到短时傅里叶变换对雷达信号在低信噪比下具有更好的性能。3.研究了基于卷积神经网络与时频分析相结合的雷达辐射源识别方法。基于信号的时频图,采用Alex与VGG16两种CNN对信号进行识别。结果表明,Alex网络的识别精确度只有97.8%,但网络收敛时间短。VGG16网络识别精确高达99%,但网络收敛时间长。对比分析可知,CNN对于雷达辐射源识别问题存在一定缺陷,需要改进网络结构。4.提出了一种基于改进CNN的雷达辐射源识别算法。同样基于信号的时频图,多次微调改进型网络结构,最终设计出改进型网络结构对雷达辐射源信号进行识别。结果表明,改进型网络训练时间比VGG16更短,识别率高达99.4%,甚至在-8db以下,识别率都能到达98.5%以上。实验结果验证了基于改进CNN的雷达辐射源识别算法具有高识别率、较短训练时间、泛化性能强等优点。