近年来,随着雷达技术的不断发展,多功能软件化雷达应运而生。多功能软件化雷达具有需求可定义,软件可重构,部分硬件可重组等特点。未来战场上,多功能软件化雷达必将对现有的雷达信号与辐射源分析造成了巨大挑战。本文针对多功能软件化雷达辐射源分析难题,提出了一种基于深度学习的多功能软件化雷达辐射源认知新方法,将对多功能软件化雷达辐射源的认知分为功能识别与个体识别两个方面进行研究。本文的主要研究内容主要包括雷达辐射源发射信号以及射频功放的建模,基于深度学习的雷达辐射源信号功能识别以及基于深度学习的雷达辐射源个体识别三个方面。首先,本文针对几种常见的调制方式进行雷达信号的仿真。同时,针对多功能软件化雷达的特点,以射频功率放大器的非线性特性作为进行雷达辐射源个体识别的依据,完成对五部已知及一部未知多功能软件化雷达辐射源的建模与仿真。在进行雷达辐射源信号的功能识别时,提出分别使用自编码器网络,卷积神经网络以及支持向量机三种方法,并对三种方法在测试集的识别率进行分析比较。结果表明,自编码器网络15d B信噪比下识别率最高,在低信噪比下识别情况也较好,且网络结构简单,训练时间很短,是最适合用于雷达辐射源信号功能识别的方法。在进行雷达辐射源个体识别时,仍然分别使用自编码器网络,卷积神经网络以及支持向量机三种方法,并对三种方法在测试集的识别率进行分析比较。结果表明,在15d B信噪比下,卷积神经网络对测试集的识别率最高,是最适合用于雷达辐射源个体识别的方法。最后,在采用自编码器网络进行雷达辐射源信号的功能识别,采用卷积神经网络进行雷达辐射源的个体识别的情况下,将个体识别与功能识别合并,从而完成未知多功能软件化未知雷达辐射源的认知。结果表明,将截获到的敌方多功能软件化雷达辐射源信号输入到训练好的深度学习网络,不仅可以得到其实现的功能,还可以分析出其属于某一部已知的多功能软件化雷达辐射源或者为某一部未知的雷达辐射源,从而完成多功能软件化雷达辐射源的认知。