战场环境复杂多变,确定目标辐射源的级别对于精确打击目标起到重要的保障。通信辐射源细微特征能够作为区分出通信辐射源个体的依据。但传统的辐射源个体识别方法都是基于预设的确定公式或者在相应的预设条件下进行,对信号的先验性要求较高,其适用范围较为固定。并且区分通信辐射源个体的特征向量选取复杂。本文针对上述问题,分别从通信辐射源个体特征选取、基于深度置信网络的辐射源个体识别模型建立和基于深度置信网络的辐射源个体识别模型优化这三个方面展开研究。论文的主要贡献如下:1.通过比较通信辐射源的个体特征,选取通信辐射源信号频带内互调干扰信号特征、通信辐射源的载频特征以及通信辐射源的调制参数特征作为通信辐射源个体识别的依据。2.建立了基于深度置信网络的辐射源个体识别模型。对辐射源信号进行预处理得到通信辐射源信号的矩形积分双谱,利用高阶谱自底向上训练每个受限玻尔兹曼机,多次迭代得到合适的权重、隐藏层的偏差和可见层的偏差,从而提取出辐射信号的互调干扰信号特征。最后通过softmax分类器对通信辐射源个体进行分类,获得面向通信辐射源个体识别的深度学习网络。3.对上述模型进行优化。从预训练学习率、网络层数以及网络预训练次数等几个参数设置方面对该模型进行优化。4.运用优化后的网络对通信辐射源的载频特征、调制参数以及互调干扰特征进行分类识别,将识别后的结果进行比较。结果表明:该方法能够在较少的先验条件下有效识别出通信辐射源个体。并且通过仿真分析发现在预训练的学习率设置为0.01、网络层数设置为4层以及预训练次数设置为20次能够得到较为理想的网络模型。同时通过仿真分析发现互调干扰特征的识别率优于通信辐射源的载频特征和通信辐射源调制参数等特征,适合作为通信辐射源细微特征识别的依据。