目标识别是电子对抗中的一个关键环节,而雷达辐射源信号识别是目标识别的重要组成部分。近些年来,传统的雷达辐射源信号识别技术取得了很大的进展。然而,传统的模板匹配方法能力有限,可靠性不高,加之电磁环境日益复杂等因素,已经无法满足电子战对自动化、信息化和智能化的需要。因此,本文提出了基于深度学习的雷达辐射源信号识别算法,利用深度学习结构优秀的图像特征提取能力,对信号时频图像进行特征提取和分类识别。具体工作如下所示:(1)首先介绍了雷达辐射源信号基本理论和数学模型,并对每一种信号进行了仿真,同时对比分析了信号的时域和频谱特点;然后介绍了短时傅里叶变换和Wigner-Ville时频分布两种时频分析方法,给出了不同调制类型信号经过短时傅里叶变换后的时频图;最后引入数字图像处理技术,对每种信号的时频图进行图像预处理。(2)低信噪比的情况下,为了提高雷达辐射源信号识别效果,研究了基于栈式降噪自编器(sDAE)和卷积神经网络(CNN)的雷达辐射源信号识别算法。仿真实验表明,在低信噪比情况下,两种深度学习结构较其它特征提取算法都能取得更好的识别效果。两种算法比较而言,栈式降噪自编码器能够挖掘输入数据更深层次特征,识别效果更佳,并且具有很好的降维性能;卷积神经网络通过局部连接、权值共享和池化层操作可以大大减少网络计算量,使用该模型具有更低的时间复杂度。(3)高信噪比的情况下,在保证识别效果的基础上,为了降低时间复杂度,本文提出了DAE+CNN识别模型。该模型首先利用降噪自编码器对输入数据进行非线性降维,然后利用卷积神经网络对降维后的数据进行分类识别。仿真实验表明该算法模型在高信噪比的情况下达到了理想的识别效果,同时时间复杂度与栈式降噪自编码器和卷积神经网络相比有明显的下降,可以适用于实时性要求较高的场景。