辐射源个体识别是电子对抗中一个重要的研究方向,即使是同批次、同型号的辐射源个体,在元器件构成上也会存在着差异,而这些由硬件带来的差异会体现在发射信号上,所以它们产生的信号也不会完全相同。辐射源个体识别就是提取出辐射源发射信号中隐含的能够区分不同辐射源的细微特征,并通过分类器给出识别结果。本文研究的主要内容如下:辐射源行为建模方面,本文主要研究D类功率放大器的行为建模,将循环神经网络及其改进模型应用于功放电路建模,并把小波函数引入到编码—解码模型结构中,实现了小波编码—解码模型,对比了Volterra-Laguerre模型、长短时记忆元神经网络模型、编码—解码模型和小波编码—解码模型用于功率放大电路行为建模的性能。辐射源细微特征提取方面,本文研究了基于深度学习的辐射源特征提取方法。一是使用非监督学习的自动编码器神经网络模型,对辐射源发射信号进行直接特征提取;二是研究高阶累积量及双谱的算法,并进一步将卷积神经网络应用到辐射源特征提取中,使用VGG-16和Resnet结构的卷积神经网络对信号的双谱图进行特征提取。仿真信号和实测信号实验的结果均表明,三种特征提取方法效果优越。辐射源分类识别方面,研究了支持向量机(SVM)算法、梯度提升决策树(GBDT)算法和极致梯度提升(XGBoost)算法,通过仿真信号和实测信号实验分析,对比三种分类器的性能,得到了较好的分类效果。本文对于低频辐射源的行为建模、特征提取及分类识别方法进行了初步探索,对解决辐射源个体识别问题有一定的应用价值。