辐射源信号识别在电子对抗侦察领域中具有十分关键的作用,通过识别雷达信号获取战场中的各种信息,是指挥决策的关键依据。早期战场电磁环境相对简单,传统方法主要通过人工提取辐射源信号特征,再与雷达数据库比对识别雷达信号,具有较好的识别能力。但是随着雷达技术的不断创新,各种基于新技术的雷达不断应用到实际中,且有的信号难以被侦收,电磁环境日益复杂,这类方法的识别速度和识别精度逐渐不能满足识别要求,可靠性大幅度降低。因此,当前迫切需要寻找一种能够保证即使在电磁环境较复杂的情况下仍能有效识别雷达信号的方法,以满足日益提高的战时需求。深度学习是一种通过数据驱动的算法,通过从辐射源信号中提取到更加有效的信息,具有优异的性能。本文将深度学习的方法引入到辐射源信号识别领域中,具体研究内容如下:（1）简单介绍了几种基础的神经网络模型,分析了它们的主要特点和适用范围,同时简单介绍了3种经典的数据不均衡处理方法,分析了它们的原理和优缺点,为论文的后续工作提供了理论铺垫。（2）针对传统辐射源信号识别方法耗时较长、需要手动提取特征和对低信噪比的信号识别能力较差的问题,提出了一种基于改进Unet3+网络的辐射源信号识别方法,模型的输入是序列数据,在网络中进行特征提取,无需人工提取特征,并将注意力机制引入到网络模型中,提高训练速度和识别精度。通过对8种仿真信号进行实验,结果表明,改进模型的训练耗时较短,能有效识别低信噪比的信号。（3）针对使用类别不平衡数据集训练得到的神经网络的识别能力具有偏向性的问题,提出了一种基于改进欠采样的方法,该方法首先使用多数类的样本训练网络得到一个分类器,再对分类器进行连续自蒸馏提高它的泛化能力,最后采用欠采样的方式得到一个数据比重平衡的数据集去训练网络。通过对3种少数类和5种多数类的仿真信号进行实验,结果表明,对于3种少数类信号,改进的欠采样模型的识别准确率为92.42%、89.71%、92.42%,较好的改善了网络的偏向性,各类信号的识别准确率较为均衡。最终得到的网络模型既解决了网络偏向性的问题,又能避免多数类的信号识别精度大幅度下降。