自从上世纪30年代英国人发明雷达后,相关技术和应用日新月异。不管是在国防军事还是在航空航天上,雷达都具有不可替代的作用。各个国家在竭力开发更强大的雷达技术的同时,也在发展相应的对抗技术。雷达辐射源信号识别作为雷达对抗系统中的一个重要功能,在电子侦察中发挥着不可比拟的作用,我们从雷达辐射源信号中获得的信息越多,对我方的军事行动提供的支持就越多。然而随着科学技术和雷达体制的发展,现今大部分雷达都具备较强的反侦察和反干扰特性,这使得我们进行雷达辐射源识别面临许多困难。在传统的方法渐渐难以满足雷达辐射源识别任务的情况下,如何提高雷达辐射源识别的准确率具有重大意义。本文首先概述了雷达辐射源信号识别的研究背景与意义,然后对国内外的相关研究方法进行了总结分析。在理解雷达辐射源识别的相关理论的基础上,将深度学习和聚类等机器学习知识用于对辐射源的分类识别任务,并取得了很好的效果。本文的主要研究工作包括:(1)针对雷达型号分类问题,本文提出了一种基于一维卷积神经网络的识别方法,并通过实验确定了最适合本课题需求的卷积网络结构,使得我们可以在不知道信号调制类型的情况下对雷达的型号进行分类。(2)针对于雷达信号的标注成本较高,标注较复杂的问题,我们使用了基于生成式对抗网络的半监督学习方法,在对有标注样本进行学习的同时,通过生成模型对无标注样本进行学习,大大减小了训练过程中所需要的有标注数据。(3)针对训练集中没有见过的未知信号,我们利用深度度量学习通过已知类别数据学到已知类别之间的度量关系,并使用生成式对抗网络提升特征学习的效果,再利用这种度量关系去区分已知与未知类别,然后对未知样本通过度量网络使用k-means++进行聚类。