在通信对抗领域中,如何对通信辐射源个体进行准确识别一直以来是一个重点研究问题,是目标侦察系统亟待解决的关键技术之一,它依照通信发射器设备的物理层特性差异来分类识别不同的辐射源个体。通信辐射源个体识别技术对于通信网络结构的分析、目标威胁等级的评估和战术战略的决策等方面都有着关键性作用。在日益复杂的电磁环境下,传统的通信辐射源个体识别方法存在的自适应性不足和鲁棒性差的问题,导致其不能满足现代战场环境下对于应用场景和识别性能的指标要求。随着人工智能技术的发展和应用,基于深度学习的通信辐射源个体识别通过其强大的信号特性表征能力和自适应特性,可以有效克服传统方法的局限性。但是目前深度学习方法仍存在其自身的不足之处,主要包括深度学习中训练数据和测试数据分布差异的问题以及标签样本量少的问题。本文针对以上问题进行了相关研究,主要研究内容和创新点如下:1.分析了通信辐射源信号内部的指纹特征产生机理,将深度学习方法与其个体识别技术研究相结合,以解决传统方法的局限性。阐述了基于深度学习的通信辐射源个体识别理论基础,说明了在现今情况下深度学习方法的局限性进而提出论文的研究方向。2.分析了对于通信辐射源信号的预处理技术方法,针对预处理技术中的数据清洗和数据变换两部分,对信号的不同端点检测方法和表示形式进行了分析比较,为后续实验中选择合适的数据预处理方法提供支撑。3.针对训练数据和测试数据存在分布差异情况下的通信辐射源识别性能低下的问题,提出了一种基于深度残差适配网络的通信辐射源个体识别算法。该算法除了正常的将已标注的源域数据作为训练集进行网络模型的训练之外,还可以利用未标注的目标域数据来辅助训练,以实现源域向目标域的迁移。在实际采集的数据上进行了实验,结果表明,相较于非迁移的通信辐射源个体识别方法该算法能够有效提高在不同频点下的通信辐射源个体识别性能。4.针对标签样本数量少的问题,提出了一种基于特征融合的通信辐射源个体识别算法。该算法将不同的人工特征和深度特征结合得到融合特征,获取相关融合特征之后,在对其进行个体识别。最后,在实际数据上的实验结果证明,基于特征融合的通信辐射源个体识别算法相较于仅利用人工特征或者深度特征去进行个体识别的性能更好。此外,还对融合特征进行了降维和重建处理以缩小其类内差距,最后的实验结果也证明了重建融合特征较原始未进行处理的融合特征有着更好的识别性能。