雷达辐射源识别技术是雷达对抗领域的重要研究内容,能够获取敌方雷达技术及战术电子情报,为作战指挥人员提供战场态势信息和决策行动。本文以信号分选为前提,以信号包络前沿作为雷达辐射源个体特征,围绕深度学习在雷达辐射源识别中的应用展开讨论。本文主要工作内容概括为如下四个部分:第一部分从统计学习中模型、策略、算法三要素出发,在模型上,总结了深度神经网络常用非线性激活函数的特点及其适用场合,给出了深度神经网络多任务分类模型,分析了深层网络训练过程中出现的梯度消失及梯度爆炸问题并给出了缓解方法;在策略上,对比了均方误差、交叉熵两种损失函数;在算法上,论述了梯度下降类算法在深度学习领域的可行性,并分析对比了Momentum、RMSprop及Adam三种改进的梯度下降类算法。第二部分讨论了卷积神经网络(CNN)、循环神经网络(RNN)以及长短记忆网络(LSTM)三种深度神经网络模型,并将其应用于雷达辐射源识别。众所周知,深度学习超参数的调节影响着模型的性能,该部分总结了本文网络超参数调节过程中遇到的问题并给出了对应的解决方法。针对深度神经网络训练样本数据量大的问题,文中给出了一种大数据样本存取、运算的方法,最后通过实测数据实验验证了深度学习方法的优越性。第三部分从强化学习的基本模型出发,讨论了强化学习中策略评估、策略改进以及最优策略求解等问题,并分析了本文实际应用环境在马尔可夫决策过程(MDP)中的具体表示,进而结合深度强化学习中DQN、DDQN以及Dueling Network三种网络模型给出了一种将决策模型应用于雷达辐射源识别任务的方法,并通过实测数据实验对比分析模型性能。第四部分以XXX型号电子侦察设备为背景,讨论了用于雷达辐射源个体识别的侦察方案,提出了一种基于NXP QorIQ T4240 AltiVec引擎的深度神经网络并行实现方法,通过实测数据验证了方法的实时性及有效性。