在现代信息化战争中，电磁环境越来越复杂，雷达辐射源个体识别越来越具有实战意义。个体识别是对具有不同细微个体差异性的辐射源进行细致表征和识别的过程，侧重点已经不再局限于对电磁信号的参数测量和调制方式识别，而是重点反映物理设备固有的附加调制特征，该特征不随调制参数的改变而改变，具有表征设备个体的“指纹”特性。宽带射频功率放大器是雷达和通信系统中常见的基本组成部分之一，常常会蕴含个体特征，对其记忆效应、非线性失真等行为特性进行分析和对功率放大器进行个体识别具有重要意义。针对以上问题，本文利用深度神经网络模型自提取特征的特点来对宽带射频功率放大器进行个体识别，同时利用特征解译算法对网络模型输出结果做到可解释，本文工作如下：
　　首先，介绍了课题背景；对国内外的射频功率放大器行为建模、神经网络模型研究和深度神经网络模型可解释性研究发展现状进行综述；提出了本课题的研究内容。
　　其次，分析了宽带射频功率放大器的非线性失真行为，其中谐波失真、互调失真和记忆效应是主要的失真行为；利用Matlab建立宽带射频功率放大器非线性行为模型同时利用ADS设计宽带射频功率放大器电路分别在软件和硬件层面仿真了宽带射频功率放大器非线性失真行为。
　　再次，通过分析不同类型神经网络的网络结构和特点，发现卷积神经网络在信号识别具有较大优势，设计了一种含有五层卷积层、两层池化层、一层全连接层和一层输出层的卷积神经网络。通过实测功率放大器的输出信号的实验证明该网络能够对宽带射频功率放大器进行个体识别。
　　最后，针对深度神经网络的黑盒子模型问题，研究了网络模型解译方法。并利用Sobol敏感性分析方法、分层相关传播算法和深层提升算法对训练好的卷积神经网络模型的输入层和中间隐藏层进行分析，通过计算出每个神经元对于最终输出结果的相关性分数，分析出输入信号中起识别效果的特征，完成对深度网络模型的解译。