随着雷达技术的快速发展及抗干扰能力的不断提升,低截获、超宽带、信号快速捷变等技术得到普遍应用。电子侦察面临的信号环境日益复杂,给雷达信号截获和分析带来了很大的困难。由于雷达信号波形是雷达的主要特征,因此,对雷达信号波形的识别是电子侦察的一项重要研究内容。本文的研究课题将基于深度学习进行雷达信号识别技术研究。针对实际环境中雷达信号采集困难、样本量稀少的问题,论文在分析经典深度学习算法对雷达信号识别效果的基础上,提出了在小样本条件下采用生成模型及迁移学习两种方法,本文主要工作如下:1.建立雷达信号模型,并对其中的6种常见的雷达信号从时域、频域进行仿真分析。随后采用短时傅里叶以及小波变换两种时频分析技术,对6种雷达信号进行时频分析,通过在不同信噪比下的对比实验,得出短时傅里叶变换对雷达信号在不同信噪比下具有更好的性能。2.分析了基于经典深度学习网络的雷达信号识别方法。并对CNN进行了详细的分析。在训练集分别为20000和500的条件下,分别采用VGG16与Res Net18两种CNN对雷达信号时频图进行识别。结果表明,Res Net18网络性能较好,但两类网络均无法适用于训练样本稀缺的雷达信号识别问题。3.研究采用生成模型从数据层面解决样本稀缺问题,分析了VAE和GAN两类生成模型。基于时频图,采用VAE、GAN根据少量的真实雷达信号,生成大量的训练样本,分别训练Res Net18网络,进行对比实验。对比分析可知,生成模型一定程度上提高了深度学习模型的识别效果,但由于GAN生成的数据较为不稳定,VAE生成的数据较为单一,两类网络用于识别雷达信号效果较差。4.提出一种使用迁移学习思想并优化Softmax分类器的方法,同样基于雷达信号的时频图,进行稀缺样本条件下的雷达信号识别。结果表明,同样以500个训练样本为例,在-10d B的条件下,该网络识别率可达89.1%,且训练时长较短。实验结果表明,在稀缺样本条件下,该方法有效提高了网络识别率。