雷达辐射源个体识别是为了适应雷达新技术以及日益复杂的电磁环境而发展起来的,是电子对抗领域的重点发展方向,因此,对于雷达个体的识别有着重要意义。目前针对雷达个体识别的方法较为复杂,且低信噪比及小样本情况下识别率较低,所以研究在低信噪比下可以有效识别辐射源的算法具有重大的实际价值。本文对五部信号源、两种调制方式信号(LFM,BPSK)进行研究,通过以信号源为研究对象,研究信号发生装置的“指纹”信息,作为雷达发射机的参考方法,基于此提出了小波方法、变分模态分解方法以及LSTM、CNN深度学习方法,结果表明,在低信噪比下仍然有着良好的识别效果。主要研究工作如下:首先,对信号无意调制进行建模。介绍了对线性调频信号(LFM)、二进制相移键控信号(BPSK)两种信号形式的无意调制建模,接着,对加入相位噪声的三个雷达信号源进行仿真实验,通过频谱与功率谱图较好的反映了不同雷达发射机间的差异。其次,针对雷达个体识别问题,提出了基于小波方法及变分模态分解的方法,通过小波方法提取信号能量特征作为无意调制特征,并通过分类器进行识别。对于变分模态分解的方法首先通过蛙跳算法对参数进行优化,利用分解后的模态分量组成的特征矩阵进行奇异值分解,得到二次特征进而通过分类器进行识别,本文选择PSO＿PF-SVM作为分类器,通过粒子群优化算法(PSO)对粒子滤波算法(PF)进行优化实现支持向量机(SVM)分类的优化,优化后的分类器具有更好的分类效果及良好的泛化能力。通过两种方法实现了采用很少样本就可以识别雷达个体的目的,且性能较好。通过实验仿真证明,在LFM、BPSK两种信号形式下,当信噪比在16d B时,对于五部雷达信号源,每组信号的识别率均达到100%;而在无噪条件下,当训练样本为5时,其识别率即可到100%,稳定性较高。最后,为了研究更为智能的方法,研究了长短时记忆网络(LSTM)和卷积神经网络(CNN)模型,两种模型通过分别对包络前沿特征、相位特征进行训练识别。其中CNN网络中分类器依旧采用PSO＿PF-SVM,识别效果较好。对于上升沿特征,在低信噪比下,本文提出的CNN模型识别率比LSTM模型要好,随着信噪比的提升,LSTM的识别率更高,且在15d B时,基于LSTM模型的识别率达到100%,而对于相位特征,LSTM模型与CNN模型的识别效果都很好,最后通过各方法间的比较,说明了各方法在不同条件下的优势。