随着电子信息技术的发展,现代战争逐渐演变成以电子战为主体的高科技战争。其中,雷达作为电子战的重要组成成分,是获取复杂战场信息的关键。为了阻碍敌方雷达获取我方的重要信息,雷达干扰技术和干扰设备应运而生。因此,为了保证雷达在战场中充分发挥其功能,对雷达的抗干扰性能提出了更高的要求。雷达干扰信号准确识别作为雷达抗干扰流程的第一步,对于雷达的生存至关重要。本论文针对传统雷达干扰信号识别方法所存在的不足,探究基于深度学习方法在雷达干扰信号识别领域的有效性。作为深度学习的重要组成成分,基于卷积神经网络的方法在提取鉴别性特征与精确识别领域表现出一定的能力。为了充分发挥深度学习的潜能,本论文提出了基于卷积神经网络的雷达干扰信号识别方法,并在12类典型的雷达干扰信号上进行了实验验证。论文的主要研究内容包括以下几方面:首先,深入地研究深度卷积神经网络的理论以及模型设计过程,并根据雷达干扰信号的特点,提出了基于一维卷积神经网络的雷达干扰信号识别模型。此外,为了进一步提升识别模型的泛化能力,本文提出了软标签平滑的方法,并将其应用到识别模型的设计过程,与其他典型的雷达干扰信号识别方法相比,在本文的雷达干扰数据集上取得了最优的识别性能。其次,由于在实际的战场中,雷达干扰信号的获取和标注是一件困难而又繁琐的过程。因此,训练深度模型的样本数量往往受限,而训练样本的不足容易导致深度模型出现过拟合的现象。因此,为了解决干扰样本不足的问题,本文提出了基于深度孪生网络的雷达干扰信号识别模型,相比较其他典型的雷达干扰信号识别方法,在雷达干扰训练样本受限时取得了最优的识别性能。最后,为了进一步提升雷达干扰信号识别模型的鲁棒性和识别性能,本文提出了基于卷积神经网络的雷达干扰信号特征级、决策级融合识别模型。相比较于最初设计的基于一维卷积神经网络雷达干扰识别模型与其他典型雷达干扰信号识别方法,基于卷积神经网络的雷达干扰信号特征级、决策级融合识别模型无论是在鲁棒性还是在雷达干扰信号的识别性能上,都有了明显地提升。