雷达辐射源识别是电子情报侦察的关键环节和重要组成部分,其水平已经成为衡量电子侦察技术水平的重要标志。快速准确地识别出敌方雷达信号的调制类型,可以有效地获取战场信息和态势,为后续决策提供良好的支持。目前战场电磁环境越发复杂,电磁环境信号密集且干扰源众多。新体制雷达逐渐取代传统雷达,雷达辐射源信号的调制方式更加复杂多样。传统识别方法在当前战场电磁环境下已经难以满足雷达辐射源识别的需要。因此,本文提出基于深度学习的雷达辐射源序列信号识别算法:利用深度学习方法提取序列信号的特征并进行分类识别,并对分类任务中常见的数据集类别不平衡的问题提出解决方法。具体工作如下:1.信号调制类型及深度学习基础知识。本文对8种雷达辐射源调制信号进行研究,包括BPSK、Costas、FMCW、Frank、P1、P2、P3和P4,并分别构建信号模型,分析调制信号在时域、频域和时频域的特点。此外,本文总结了基于深度学习方法的两种路线以及深度学习的相关基础理论,包括卷积神经网络和循环神经网络,并分析了两种网络的优点和不足之处。2.针对低信噪比条件下雷达辐射源识别准确率低的问题,本文提出一种雷达辐射源识别方法SACNN。在SRNN的基础上进行改进,有效地提升识别效果。首先对一维雷达辐射源信号进行预处理,将处理过的信号输入到SACNN中,完成分类识别。实验结果表明,在SNR=-10d B的条件下,对八种雷达辐射源信号的识别准确率能够达到100%;在SNR=-20d B的条件下,平均识别准确率达到80%以上,在低信噪比条件下,相较于现有的一些方法,识别效果有明显提高,且模型能够兼顾准确和快速两大需求。3.针对真实数据样本类别不平衡的问题,本文提出了一种基于1D-CWGAN-GP的雷达辐射源序列信号生成方法。设计并搭建了1D-CWGAN-GP生成模型,结合WGAN-GP和CGAN并对生成器网络加以改进,用上采样模块和下采样模块组成的U形结构代替全连接网络,使其能够生成一维雷达辐射源信号并提升其生成效果。对八种雷达辐射源信号进行生成实验。通过时频图像、生成样本相似度实验以及生成样本替换实验分析,验证了信号生成模型所生成的信号的有效性。实验结果表明,搭建的1D-CWGAN-GP信号生成模型能够有效地生成雷达辐射源信号,生成信号能够替代真实数据用于深度学习训练,且在训练样本较少的条件下仍有较好的生成效果。