随着电子对抗相关新技术的提出及愈发复杂的电磁环境,电子对抗处理有了进一步发展的可能,尤其在军事领域上需要实现雷达信号的精确识别与分析。目前雷达辐射源信号可以根据脉冲描述字的差异及脉内有意调制类型的不同来完成信号识别,但是由于电磁环境变得越来越复杂仅仅使用传统的方法很难完成雷达信号的相关识别与分析。同时,不同的雷达发射机其内部的器件存在不同这些内部的差异被称为脉内无意调制信息,也可以通过这一部分信息实现信号识别。脉内无意调制在复杂电磁环境下虽然具有不同个体间的独有特征,但这些特征在提取时需要复杂的公式演算推理且特征提取过程复杂困难。针对以上雷达辐射源个体信号在分类与识别上存在的一些问题与挑战,本文在前辈学者的研究基础上,结合卷积神经网络在一些领域上面的相关研究,使用卷积神经网络设计了雷达辐射源个体识别网络,文中主要进行了以下几个方面的研究:（1）由于输入的信号为一维信号,所以使用卷积神经网络设计了一个一维的网络结构来完成信号的分类识别。考虑到信号特征提取困难的问题,使用多个不同尺寸卷积核级联方式进行卷积来完成相关特征的自动提取与分析计算。考虑到不同信号之间特征差异较小,同一信号之间特征差别较大的问题,对分类损失函数进行优化进一步改进分类识别效果。大量的实验结果表明,基于一维卷积结构设计的卷积神经网络,较好实现了雷达辐射源信号个体特征提取与区分,达到了不错的雷达个体识别效果。（2）基于一维卷积设计的网络结构,证实了脉冲内部特征对雷达辐射源个体识别的正确性。为进一步提高雷达辐射源个体识别效果鉴于卷积神经网络在图像分类中显著效果,根据脉内无意调制的指纹特征可作为雷达辐射源个体的独有特征,考虑使用一个二维卷积神经网络实现雷达辐射源信号个体识别。首先,设计脉冲包络提取算法完成雷达辐射源个体信号脉冲包络提取。之后提出了基于注意力与密集块的网络用于脉冲包络特征识别,注意力能够较好的学习不同指纹特征的间的关键性信息并完成特征图权重在通道维度上的更新,而密集块能够将网络中的所有特征信息进行融合,有效完成特征信息的重复利用。最终实验结果表明,这两个结构能够实现复杂电磁环境下脉内无意调制特征信息的有效提取并且具有良好的抗噪性能,有效完成了雷达辐射源信号个体识别。