伴随着移动通信技术的蓬勃发展,通信辐射源设备的数量迅猛增加,种类日益丰富,为通信辐射源个体识别技术带来了更加广阔的发展前景。以深度神经网络为代表的深度学习算法具有强大的特征提取能力,在通信辐射源个体识别领域发挥着越来越大的作用,正逐渐成为研究热点。现有基于深度学习的通信辐射源个体识别算法主要基于有监督的训练方式,在大量有标签信号样本条件下实现高精度的辐射源个体识别。但在实际应用场景中,信号样本不足、带标签信号样本少等问题会导致深度学习模型无法充分训练,难以取得令人满意的识别率。本文针对实际应用中训练信号样本少、训练信号样本足够但有标签训练信号样本少和缺少特定场景下的有标签信号样本的“三少”场景,开展了以下研究:(1)研究了“小样本”条件下的通信辐射源个体识别问题。针对实际应用场景中可供网络训练的样本量少的难题,提出了一种基于孪生卷积神经网络(SiameseConvolutionalNeuralNetwork,SCNN)的辐射源个体识别算法。该算法以共享参数的双路卷积神经网络(ConvolutionalNeuralNetwork,CNN)为基础,利用对比损失函数学习相似性度量,实现了保持样本对间相似性条件下信号样本的降维,然后设计了一个简单的两层全连接网络作为分类器,对SCNN输出的特征进行分类。在仿真数据集和实测的数据集上的实验结果验证了SCNN在“小样本”条件下具备较高的识别率,且识别效果优于CNN的识别结果。(2)研究了半监督场景下的通信辐射源个体识别问题。针对现有的基于深度学习的通信辐射源个体识别算法严重依赖大量有标签信号样本的问题,提出了一种基于半监督深度聚类的通信辐射源个体识别算法。该方法首先利用卷积自动编码器(ConvolutionalAutoencoder,CAE)将所有信号样本映射到低维隐空间,然后通过在少于总数据量10%的有标签信号和大量无标签信号间构建成对语义约束来驱动隐空间形成聚类,实现了非合作通信场景中少量信号样本有标签而大量信号样本无标签条件下的通信辐射源个体识别。在仿真数据集和实测的数据集上的实验结果验证了该方法的有效性,且识别率接近利用大量信号样本有监督训练的CNN的识别结果。(3)研究了动态噪声场景下的通信辐射源个体识别问题。针对无标签待识别信号与有标签训练数据集信号的信道环境噪声不一致所导致的现有通信辐射源个体识别算法识别率严重退化的问题,提出一种基于领域自适应的通信辐射源个体识别算法。该方法结合迁移学习思想,使用域内可聚类约束和类间紧密性约束,通过对不同信噪比下信号的特征对齐,提取出不同信噪比下“不变”的指纹特征,进而实现了缺少特定信噪比条件下的有标签信号样本场景中的通信辐射源个体识别。在仿真数据和实际采集的数据集上的实验结果验证了该方法能提高深度学习模型在动态噪声条件下的识别率。