雷达辐射源识别作为现代电子战争的一个重要组成部分,在接收装置截取到敌方雷达辐射源信号之后,还需要进一步分析信号,来获得雷达辐射源信号类型等信息。近几十年来,随着雷达技术的不断更新换代,各种新型雷达被用于战场,导致现代战场面临的电磁环境变得日益复杂。采用传统手动提取并选取特征的方法,会面临识别速度较慢、识别精度较低和低信噪比时难以识别等问题,很难适应现代战场瞬息万变的形势。因此,如何准确快速的识别雷达辐射源信号,是当前雷达辐射源识别领域迫切需要解决的问题。近年来,随着深度学习在各个重要领域的不断突破,如何有效的将深度学习和雷达辐射源识别进行结合,来解决传统方法的不足和缺点,成为了雷达辐射源识别的主流研究方向之一。为了解决现有辐射源识别方式识别性能较差,在恶劣条件下很难识别等问题,本文将自然语言处理中的时间卷积网络（Temporal Convolutional Network,TCN）引入雷达辐射源识别之中,提出了一种基于雷达辐射源序列数据的快速识别方法。将一维卷积神经网络（One-Dimensional Convolutional Neural Networks,1DCNN）与时间卷积网络相连接,并用Leaky Re LU激活函数代替网络中的Re LU激活函数。同时,在一维卷积神经网络前加入批归一化层加速收敛,并在全连接层前增加一层注意力层来筛选信号。采用常见的8种雷达辐射源序列数据进行仿真实验后可以看出,本文模型相较其他常见模型不仅识别速度明显提升,识别准确率也较高,很好的解决了其他模型识别速度和识别精度难以均衡的问题。但是,上述方法效果良好的前提是雷达辐射源信号可用样本较多,模型能够得到充分的训练。随着科技的不断进步,现代战场电磁环境日益错综复杂,未知辐射源信号的可用样本会变得较少,将辐射源信号进行标注费时费力。如果直接用接收到的辐射源信号样本训练,会导致模型过拟合,影响识别性能。为了解决这个问题,本文进一步提出了一种能够直接作用于少量有标签和大量无标签辐射源序列数据的改进协同半监督分类算法。通过在损失函数中加入均匀化的方式来降低分类过于绝对性的风险,有效的提升了半监督学习的识别准确率。并且,针对常规半监督学习方法训练时间较长的问题,运用动态时间扭曲技术对无标签数据集进行进一步优化,减少了训练时间的同时,又保证了网络的识别准确率。通过仿真实验证明,本文所采用半监督学习方式,能够很好的解决因为有标签雷达辐射源信号过少带来的过拟合的问题,有效提升网络识别准确率,识别速度相较常见半监督学习网络也明显提升。