信号识别是情报侦察中的关键步骤。传统信号识别方法在很大程度上依赖于领域先验和专家经验,不仅处理流程僵化,而且自动化与智能化水平均较低,性能严重受限于战场电磁环境的复杂程度。本文将现代机器学习方法用于信号识别,构造三种新型深度神经网络模型来挖掘信号特征,实现了端到端的自动信号特征提取与识别。主要研究内容和成果如下:1、提出了深度空洞注意胶囊网络模型。首先,设计一维空洞卷积提取原始信号的层次特征;然后,针对信号类间差异小、深度特征冗余的特点,引入空间注意机制给特征赋予不同的权重,以增强特征表征能力;另外引入胶囊网络结构降低网络对样本数量的依赖,提高模型的泛化性能,从而实现信号的有效识别。在ELS、JCCM、RSS数据集上进行信号识别的有效性试验,实验结果表明:该方法在三种数据集上可分别实现信号的编码、频率参数、调制方式的统一识别,最低可达到90%的整体识别准确率,且无需人工经验和特定参数计算,证明了本方法的有效性。2、针对第二章方法未考虑信号时序特性的问题,提出了基于深度残差循环通道注意胶囊网络的信号识别方法。首先利用门控循环单元提取信号的时序特性,以充分挖掘信号的时间关联性;之后利用通道注意对通道间的依赖关系建模,以充分利用全局信息实现通道的自适应校准,以提高网络性能;最后引入胶囊网络结构提高模型的泛化能力。在ELS、JCCM、RSS数据集上进行信号识别的有效性试验,实验结果证明:在三种数据集上最低可以到达95%的整体识别准确率,证明本方法在信号的编码、频率参数、调制方式的统一识别任务上具有有效性。3、针对第三章方法模型参数规模较大的问题,提出了基于深度轻量多路可分离注意胶囊网络的信号识别方法。使用可分离卷积构建可分离残差模块,以降低网络的参数量;其次,使用多路网络结构拓展网络通道数并丰富卷积核的多样性,以获取信号的多层次特征;引入通道注意模块进行通道自适应校正,增强某些通道;另一方面,通过空间注意模块增强特征表征能力,实现特征增强;最后利用胶囊网络提高模型的泛化能力。该方法在兼顾深度学习高维特征提取能力的同时大大降低了网络复杂度,同前一章方法相比,网络的参数数量降低了70%,实验结果证明在三种数据集上最低可以达到94.5%的整体识别准确率。