随着通信技术的发展,辐射源个体识别在很多领域具有广泛应用,例如电子信息对抗、频谱管理、生命科学和故障诊断等领域。然而现在的辐射源个体往往具备多种调制方式、中心频率、传输速率等特点,这将给辐射源识别带来极大挑战。在辐射源个体之间无明显差异的场景下,基于传统机器学习的辐射源个体识别算法准确率往往不够理想,而且其复杂度比较高、识别时间长,导致其很难满足现代的实际工程需要。为了解决以上问题,本文主要采用基于深度卷积神经网络的辐射源识别技术对信号个体进行识别。而且针对深度卷积神经网络的计算复杂度高以及计算量大等特点,设计高准确率、低功耗硬件加速器,以满足辐射源个体识别的实际工程需求。本文首先阐述辐射源识别的研究背景及意义,同时详细分析辐射源识别的国内外研究现状,对该领域的算法以及硬件实现进行简要介绍。随后,本文讲述深度学习的理论知识,并简单概括深度学习的研究背景以及发展历史,同时阐述深度学习的基础概念。并根据卷积神经网络的经典结构,对卷积神经网络的卷积层、池化层、全连接层以及激活函数进行详细分析。接下来,论文讲述辐射源指纹产生机理以及辐射源特征提取的常用方法和传统机器学习分类算法,并详细阐述本文采用的短时傅里叶变换与深度卷积神经网络结合的辐射源识别算法。并分别使用传统识别算法和本文算法对实测的辐射源数据集进行识别,对比分析证明本文网络模型在辐射源个体识别方面具有更好的识别效率。为了满足实际工程中辐射源识别的低时延、低功耗等需求,本文设计了针对该辐射源识别算法的硬件加速器。阐述了辐射源个体识别系统的整体架构,以及该系统的数据交互流程。并讲述该识别系统中神经网络处理器内核的硬件架构及其工作流程,而且从主控单元、交互单元、存储单元、计算单元、以及整形单元,详细介绍本文神经网络处理器。并在具有ARM+FPGA结构的硬件平台上进行了实现。最后针对本文构建的辐射源个体识别系统,在ZYNQ-7045开发板上采用实测的辐射源数据集进行实验评估,算法识别准确率为96.50%,硬件识别准确率为95.57%,其硬件实现的精度损失仅为0.93%。且实测板级功耗和其他常用GPU相比最低能效比达到2.746倍。