雷达辐射源个体识别(Radar Emitter Individual Identification)是现代电子侦察系统中的关键技术,旨在根据附加在信号上的反映个体差异的指纹特征,识别发射该信号的特定雷达辐射源个体。随着电磁环境日益复杂以及电子侦察技术智能化、自动化水平的升级,雷达辐射源信号波形变化复杂、参数多变快变、特征更加隐蔽,给雷达辐射源个体识别带来了新的困难与挑战。本文以雷达辐射源个体识别中的关键技术为重点,研究了信号指纹特征提取理论和方法,进一步探讨了深度学习技术在其中的应用,并通过实测数据对所提识别方案的良好性能进行了验证。论文的主要研究内容及贡献如下:首先,本文充分调研了雷达辐射源信号脉内调制及指纹特征的相关研究。给出了指纹特征的定义,分析了雷达辐射源信号的有意调制和无意调制,并对信号的无意调制进行了仿真研究。详细阐述了指纹特征的主要产生来源及特点,并对在实际环境下提取每一来源指纹特征的可行性做了全面的分析。其次,本文研究了雷达辐射源信号指纹特征提取方法,对经验模态分解(Empirical Mode Decomposition,EMD)算法进行 了改进,降低了指纹特征提取过程的计算复杂度。通过设计简单有效的特征公式,提取信号的希尔伯特-黄变换(Hilbert-Huang Transform,HHT)时频谱和双谱特征,构建信号多域指纹特征集。分析了所提特征,可视化结果表明,所提特征具有较好的区分度,能够反映不同雷达辐射源个体的差异。实验结果表明,针对不同雷达辐射源个体信号,最优识别准确率达96.44%,较对比方法提升了 10%以上。最后,本文探讨了深度学习在雷达辐射源个体识别中的应用,提出一种基于深度学习的雷达辐射源个体识别方法。为了增强网络提取信号指纹特征的能力,提高识别精度,减少识别耗时,对所用卷积神经网络模型的结构和参数进行了针对性的优化。实验结果表明,优化后的卷积神经网络对雷达辐射源个体信号的识别准确率达到99.56%,并且每个信号的平均识别耗时仅约0.1s,能够满足实际应用需求。本文提出的基于深度学习的识别方法具有较强的泛化能力和自适应性,为雷达辐射源个体识别提供了一种新的简单有效的解决方案。