电子对抗技术不断朝着智能化、自适应化的对抗方式不断发展革新,其主要任务是截获敌方辐射源信号进行分析处理,达到识别和定位的目的。而随着现代新体制雷达的大量出现以及反侦察技术的不断提高,在当前环境下,以传统的外部特征参数为基础的分选识别方法已无法满足日益恶化的电磁环境。现有的脉内特征提取方法又多数依赖于人为提取,难以达到快速、精准的识别要求。深度学习技术在其他模式识别领域得到了较广泛的应用,他能通过学习数据内部底层的特征来形成高层的抽象特征表达,达到分类的目的。因此本文提出了用深度学习方法挖掘隐藏在信号模糊函数(ambiguity function,AF)内部的抽象特征,从而提高辐射源信号的识别率,主要研究工作如下。(1)提出一种使用栈式自编码机(stacked auto-encoder,SAE)模型学习信号模糊函数主脊(ambiguity function main ridge,AFMR)的算法,先从信号获取其AFMR,进行预处理后作为SAE的输入向量,经过多层的编码与重构提取特征,最后输出分类结果。实验结果表明,该方法在信噪比(signal-noise ratio,SNR)为2 d B以上时,均能保持100%的识别准确率,SNR为-6 d B时,识别准确率仍能保持82.8%以上,明显高于其他方法.即使在包含相同调制类型不同参数的信号环境中,当SNR大于0 d B时识别率均稳定在95.0%以上,SNR降低到-4 d B时,识别率也能达到79.0%。证明SAE能有效提取到信号AFMR的深层特征,且具有良好的抗噪性能。(2)使用卷积神经网络(convolutional neural network,CNN)提取模糊函数等高线(Ambiguity Function Contour Line,AFCL)特征的方法,先用高斯滤波器器对信号AF进行降噪处理,并将AF投影至时频联合平面的到其等高线图,最后将其二值化后再降维,输入到CNN网络中。通过CNN多次的卷积和池化操作得到其高阶特征,由全连接层输出分类结果。实验表明,当SNR>0d B时识别率保持在92.0%以上,即使在-6d B的低信噪比环境下仍能达到83.7%的识别率,远高于人工所提取的特征。同时与其他形式的输入做了对比,AFCL的性能也优于这些方法,从而证明了AFCL能更完整地保留信号的内在调制特性以及在低信噪比环境下更强的鲁棒性。