辐射源的个体识别作为电子对抗的一种重要技术,近些年受到广泛的关注。个体识别技术主要分为特征提取和分类识别。同类型低频辐射源由于硬件差异使得发射信号差异很小且信号特征更多地表现出非线性和非平稳性。随着电子设施逐渐增多,现代电子环境趋于复杂化。个体识别技术的关键问题变成了如何从信号中得到有效的杂散特征,而且能够对其进行来源分类。本文主要研究内容如下:低频辐射源行为建模研究,相同型号、相同模式下不同辐射源的杂散特征提取,用分类器对提取的特征进行有效分类。针对低频辐射源行为建模,本文主要研究了功率放大电路的行为建模,将深度学习理论引入非线性系统建模中,分别与反向传播神经网络(BP)、Elman神经网络相结合,提出了BP-RBMs模型和深度重构模型(DRM),对比了Volterra-Laguerre模型、Kautz-Volterra模型和Elman神经网络模型用于功率放大电路行为建模的性能。针对辐射源特征提取,本文研究了高阶累积量及双谱的算法,提取了双谱对角切片。提出了基于深度学习理论的特征提取方法。通过分形理论,研究了盒维数的具体算法。并设计了一种基于双谱对角切片及其分形维数的特征提取方法。通过实验验证了此方法的可实施性。针对分类识别问题,研究了支持向量机(SVM)分类器和AdaBoost算法。将两者有效的结合,提出了基于SVM的AdaBoost组合分类器,通过与以上单一算法分类识别进行对比,得到了不错的识别效果。实验证明,本文所提出的方法,可以精确有效地对低频辐射源进行特征提取与分类。