随着雷达技术的发展研究,新体制雷达辐射源信号的识别方法已经迫在眉睫。雷达辐射源的指纹特征表征了每部雷达的独有特征,通过对指纹特征识别,可以获取雷达辐射源个体信息,进而对雷达辐射源个体进行定位和跟踪,从而获得敌方作战意图。但由于指纹特征非常细微而且寄生在有意调制特征中,现代雷达有意调制参数多变使得指纹特征识别效果非常不理想。同时,由于深度学习能够自适应的提取雷达辐射源信号指纹特征并对其智能分析和识别,因此本文将深度学习算法应用于雷达辐射源信号指纹识别,对指纹特征进行智能分析与识别,多种环境下对算法进行仿真实验,结果表明算法具有识别率高、泛化性能好等优点。论文的主要工作如下:1.对雷达辐射源信号指纹特征的产生机理、表现形式进行研究,将雷达辐射源信号指纹特征中的包络特征和相位噪声特征建模并寄生在有意调制方式中,建立雷达辐射源信号模型。2.结合雷达辐射源信号指纹特征研究深度学习网络模型,分析和探究不同网络在雷达辐射源信号指纹特征识别中的用途,研究深度神经网络优化和训练算法。3.由于指纹特征寄生在有意调制特征中,为了充分对雷达辐射源信号进行分析,提出一种改进的一维卷积神经网络(I＿1D＿CNN)对雷达辐射源信号进行预处理,获得雷达辐射源信号的有意调制特征信息。I＿1D＿CNN网络模型能够使得网络的特征信息被充分利用,并且网络在某些神经元或者网络层失效时,网络的性能仍然良好。实验结果验证了算法不仅具有高识别率,低运行时间的特点,而且具有很高的泛化性能。4.提出一种Transformer网络实现雷达辐射源信号指纹特征识别,Transformer网络模型特有的注意力机制可以有效解决雷达辐射源信号指纹特征细微问题,另外Transformer网络让雷达信号序列中的每一个时间步与信号序列其它时间步建立起依赖关系,并且所有时间步之间都是并行运算的,模型的训练速度也非常快。仿真实验表明该算法具有较好的识别率和较强的泛化性能。