无线电信号特征提取是信号分类识别的关键技术,目前基于深度学习的信号特征提取方法在实际应用中存在以下不足之处:第一、基于深度学习的无线电信号分类识别方法的研究对象多为简单的无线电调制信号,对无线电编码信号和电台信号少有涉及,主流的信号特征提取方法使用简单堆叠卷积神经网络提取信号的结构特征,而忽略了信号的时序特性;第二、目前基于深度学习的信号识别方法无法挖掘信号正交通道间的时序关联关系;第三、基于深度学习的无线电信号识别技术在少量有标签样本下难以充分挖掘信号时序特征。针对上述问题本文设计了三种基于深度学习的无线电信号识别方法,智能提取信号的时序特征,完成信号的分类任务。本文的主要研究内容及成果如下:1、设计了一种基于坐标卷积注意时序网络的信号调制与编码识别方法。首先将坐标卷积引入浅层特征提取模块,提取信号的初级时序特征,其次利用多个支路构成多尺度坐标卷积模块提取信号不同尺度的特征并进行融合,然后使用门控循环单元来进一步提取信号的时序特征,最后将提取的时序特征利用注意模块来选择增强其重要特征。实验结果说明该方法在信号调制和编码两种数据集上能以98%以上的准确率完成信号的识别任务,验证了该方法对信号编码、调制方式特征提取和识别的有效性。2、针对传统网络无法挖掘无线电信号复数通道间的关联时序特征问题,设计了一种基于轻量化复数哈希时序网络的无线电电台识别方法。首先将复数卷积引入信号特征提取模块提取信号正交通道的关联关系,其次考虑到卷积操作所提取的信号特征图具有相似性,可采用简单的线性变换来获得结构相似的特征图,从而避免传统卷积操作中直接产生过多的特征图使网络结构复杂化,然后将提取到的初级特征输入到增强时序模块提取信号增强时序特征。实验结果说明该方法在无线电台信号两种数据集上能以最低98%的准确率完成无线电台信号的识别任务,验证了该方法对无线电台信号识别的有效性。3、为解决深度学习方法在少量标签样本下难以充分挖掘信号时序特征的问题,设计了一种基于深度特征融合自训练时序网络的无线电电台识别方法。首先在神经网络模型中引入自训练算法,使用大量无标签的无线电台信号辅助少量有标签信号训练基分类网络;其次在基分类网络中采用按点逐位相加的特征融合结构,将第二章设计的多尺度坐标卷积与第三章的轻量化复数卷积提取信号初级特征进行融合,再使用增强时序单元提取信号的时序特征,增强模型在少量标记样本下对信号的特征提取能力。实验结果说明该方法在有标签样本占总体样本比例为10%的前提下,能以90%的识别准确率完成两种无线电台信号数据集的识别任务。