雷达辐射源认知是电子侦察系统的重要内容，通过对截获的脉冲信号进行特征分析来获取辐射源的工作参数等信息，进而实现对辐射源的调制特性、参数范围、工作性能等的认知。电子侦察面对的是较宽的电磁频谱，目前复杂体制雷达大量涌现，电子对抗技术不断更新，信号环境日趋恶化。辐射源工作参数的改变、脉冲的丢失、信号的畸变、噪声的污染、干扰源的混叠等都增加了信号的不确定性，使辐射源认知的难度剧烈增加。本文将深度学习和模糊理论的方法应用到辐射源认知处理中，有效地提高了已知辐射源的正确识别率，并且实现了对未知辐射源的认知。研究结果对于提高电子系统情报保障水平、服务指挥决策均具有十分重要的意义。　　从电子侦察系统的工作原理及所处的认知环境出发，首先针对系统获取的雷达辐射源信号脉间参数研究了常见的调制方式和变化范围，分析了信号环境中影响辐射源认知的主要因素。进而以雷达脉冲重复间隔（PRI）参数为例，提出了对信号脉间参数的多特征提取方法，新定义了PRI序列常规变化值和PRI一阶差分极性拟合相似度两个特征量，并建立了基于多特征决策树的识别方法。仿真实验证明该方法在测量误差较大及丢失脉冲数较多的情况下仍然具有较好的辐射源识别效果，鲁棒性较强。构造的七分量特征集为后面的辐射源认知研究奠定了良好的基础。　　然后引入深度置信网及Softmax分类器，构造了深度神经网络模型应用于辐射源认知，实现对已知辐射源的识别。研究了算法模型、快速学习算法和训练方法，分析了网络参数对结果的影响。该方法有效地克服了传统神经网络易收敛到局部最优的缺点，解决了常见识别方法中对信息表达不准确、对恶劣信号环境适应能力差等问题。最后针对现有辐射源识别方法无法对辐射源库中不存在的未知辐射源给出结果的现状，提出了同时适用于已知和未知辐射源认知的方法。引入模糊理论对截获的辐射源脉冲参数构建模糊特征集，再通过深度置信网分类器实现辐射源认知处理。实验验证了该方法在恶劣信号环境中提升了对已知辐射源的识别效果，同时有效地实现了对未知辐射源的认知。