辐射源个体识别是指通过提取辐射源信号表现出的某个或者多个具有无意调制特征对辐射源个体进行识别的技术,具有广阔的军民应用前景,随着空中辐射源设备的大幅增加,需要对空中辐射源是否工作正常和异常空中辐射源的敌我属性进行判断,而这些判断均需要以空中辐射源的个体识别为前提。本文主要研究了基于多模态多尺度排列熵的个体识别方法以及在分布式联邦学习系统中实现基于可变形卷积网络的辐射源识别。针对传统的辐射源个体识别方法在低信噪比环境下识别性能不佳的问题,提出了一种基于多模态多尺度排列熵的辐射源个体识别方法,首先利用经验模态分解和变分模态分解得到信号不同频率的模态分量,将噪声分量剔除,然后计算各模态分量的多尺度排列熵,将所有多尺度排列熵组成作为特征,并采用支持向量机分类器进行辐射源个体识别。仿真结果表明,该方法对相位噪声、谐波失真等细微特征的识别性能明显优于传统方法,并具有良好的抗噪性。针对传统深度学习网络模型对信号中提取出的轮廓型特征图适配性不高和训练样本数据不足的问题,提出一种基于可变形卷积网络和联邦学习的分布式个体识别方法。在传统卷积神经网络的基础上,将部分卷积层替换为可变形卷积层,可变形卷积层能根据输入特征图计算卷积核偏移量,改变卷积核的形状,使卷积操作更偏向于特征图中能量更高的有用信息内容,忽略部分背景噪声信息,卷积操作时采用深度可分离结构,针对每个通道中的不同数据单独计算卷积核偏移量。通过仿真实验,验证了可变形卷积网络的有效性。在样本总量不足和某些信噪比下样本不足两种条件下,验证了分布式联邦学习系统在不交换原始样本数据的前提下,实现多个本地模型联合训练,并有着较好的识别效果。