1. 频谱识别阶段
在80年代以前，无线传输的信号还非常少，干扰也少，计算机技术还刚起步，彼时的信号识别方式主要有两种，一种是通过示波器观察时域波形，另一种是利用频谱仪或接收机观察频率，频谱分析的方法应该说是相当有效的。
2. 时频分析阶段
随着无线通信技术的发展，大家逐渐意识到以傅里叶分析为代表的频率分析法已经不满足实际需要，因为傅里叶分析不具备时间分辨能力，知道了信号包含了某些频谱分量，却不知道信号在什么时间出现的这些频谱分量，于是大家开始重视时频分析方法，短时傅里叶变换、Gabor变换、Cohen类时频分布迅速走进大众视野，其中最受重视的是大名鼎鼎的小波变换，小波变换具有频率显微镜功能，能够自动兼顾时间分辨率与频率分辨率。尤其在信号去噪和奇异点检测方面一时风头无两。
3. 信号特征识别阶段
无论是傅里叶变换还是小波变换都是在分析频谱，只能算做对信号进行粗略识别，光靠频谱分析是无法对信号进行精细化识别的。于是信号的各种特征提取方法不断涌现，包括高阶矩分析、相关分析、调制识别、码速率识别、以及信号细微特征提取等。这些方法在仿真中相当有效，然而由于信号在空中传输过程中的各种衰落和干扰，在实际使用中普遍存在可靠性低，普适性差的问题。
4. 现代信号识别的终极目标
信号识别的发展历程走了很多弯路，其中很大程度是因为对识别的终极目标不明确，比如人们花了大量时间去研究信号调制方式识别，但是即使识别出了调制方式，我们对信号的认识也仅仅前进了一小步，很难单凭调制方式对信号作有效判断，而且在大量噪声干扰下，信号的高阶调制方式如QAM等的误识别率很高。
信号识别终极目标：一是识别信号内容，二是识别信号源。
对于信号内容的识别，必须要研究各种通信协议，各类加密算法，而且这还涉及到一个法律问题，不是所有人都可以从事这项研究。所以信号识别的研究重心应在信号源识别。
5. 信号源（辐射源）识别的主要方法与不足
对于信号源的识别在2016年之前主要还是对信号进行多维度特征提取（默认信号源的特征在信号中有所反映），再利用分类器如支持向量机（SVM）进行分类识别。2016年以后，受到阿尔法狗启发，开始采用深度学习方法进行识别，不用再去单独进行特征提取，免去了繁琐的特征工程。
基于深度学习的信号源识别取得了不错的效果，但仍然存在一些问题，主要有两方面：一是需要进行训练的信号量大，因为一个信号源可能发出多种不同的信号，最好能够遍历的信号的不同场景；二是对于没有经过训练的信号（源）识别率则不可控，比如，有100个信号源的信号输入训练，在测试时输入的信号不是参与训练的那100个信号源发出的，识别结果就不可控。因为softmax分类方法给出的是测试信号与训练的那100个信号（源）最像的概率，这是一个相对的概率，这个相对概率数值可能也会很高，就是说即使测试信号（源）与训练的100个信号（源）风马牛不相及，仍然有可能以高概率值被误判为归属某一个训练信号（源）。
随时随地看视频
