通信辐射源个体识别在频谱管理、电子对抗和接入识别等领域发挥着重要的作用,正在逐渐成为研究的重点。由于辐射源个体型号越来越多、信号越来越复杂,人工提取特征耗时费力且有可能提取不到细微特征;而深度学习具有可以自动提取高阶特征、拟合更复杂的函数等特点,成为了辐射源识别领域主流的研究方向。但是深度学习模型是数据驱动的模型,每个类别均需要大量有标签样本支持训练。在实际应用场景中,获得满足深度学习模型要求的打标签的数据是很困难的,而小样本数据集时深度学习模型的效果并不令人满意,这严重限制了辐射源识别的适用场景。本文针对小样本条件下通信辐射源个体识别这一问题,借助遗传算法和孪生网络,利用多种信息进行融合,并对样本对进行分类,实现了对通信辐射源个体的有效识别。本文主要的工作包含以下两个方面:（1）本文针对在小样本数据集下,有多个相同型号的不同个体,且不同个体具有相同带宽、波形/调制方式的场景,考虑到人为构建神经网络有很强的不确定性,设计了一种基于遗传算法构建自适应网络和孪生网络的小样本辐射源识别算法。将卷积神经网络视为由多个卷积块和一个输出块组成的结构,使用遗传算法对卷积块内卷积层的数量、每层卷积层卷积核的个数和卷积核的尺寸等参数进行寻优,找到更好的网络模型结构,构建自适应网络。进一步的,将自适应网络看做特征提取器,提取网络中间层的输出作为网络特征,将网络特征输入到孪生网络中进行识别,得到结果。通过将自适应网络和孪生网络相结合,提升了小样本辐射源识别准确率,增强了算法的稳定性。（2）小样本条件下可用于学习的信息较少,为了充分利用信息,本文构建了基于多层信息融合的小样本辐射源识别方法。提取每个卷积块对应的模型的输出,并将相邻卷积块对应模型的输出进行特征降维得到多个新特征,将新特征与最终网络的输出输入到孪生网络中得到多个决策,对这些决策进行融合以得到最终结果。同时针对孪生网络在训练时使用的是随机生成的样本对,但是随机生成的样本对中可能存在无助于网络训练甚至不利于网络训练的样本对的问题,本文在网络训练过程中对样本对情况进行分类讨论,并进行重组、删除等操作,使用优化后的训练集对网络进行训练。本文设计算法融合多层信息,并对训练孪生网络的样本对进行优化,加速模型收敛,进一步提升模型准确率,降低识别率的波动。