1.一种基于小样本学习和特征增强的辐射源个体识别方法，其特征在于，包括步骤：

S1.对不同个体的雷达脉冲信号经过短时傅里叶变换、灰度处理得到雷达脉冲信号的灰度矩阵；

S2.将所述得到的灰度矩阵输入至稀疏自编码器中进行特征提取，得到特征矩阵；

S3.对所述提取到的特征矩阵利用图像增强的方式进行特征增强，得到增强后的特征矩阵；

S4.判断雷达脉冲信号的样本数量是否小于阈值，若是，则将增强后的特征矩阵输入到增强条件对抗生成网络中对样本数量进行扩充，再返回步骤S4；若否，则执行步骤S5；

S5.将增强后的特征矩阵输入到卷积神经网络中进行训练，将特征输入到分类器中进行分类识别。

2.根据权利要求1所述的一种基于小样本学习和特征增强的辐射源个体识别方法，其特征在于，所述步骤S1具体为对不同个体的雷达信号经过短时傅里叶变换，得到时频图矩阵Z(t，f)；将得到的时频图矩阵Z(t，f)进行灰度处理得到灰度矩阵G。

3.根据权利要求2所述的一种基于小样本学习和特征增强的辐射源个体识别方法，其特征在于，所述步骤S1中还包括对得到灰度矩阵G进行向量化操作，得到雷达脉冲信号的灰度矩阵V。

4.根据权利要求3所述的一种基于小样本学习和特征增强的辐射源个体识别方法，其特征在于，所述步骤S2具体为将所述得到的灰度矩阵V输入至稀疏自编码器中进行特征提取，通过调节网络参数，得到特征矩阵H。

5.根据权利要求1所述的一种基于小样本学习和特征增强的辐射源个体识别方法，其特征在于，所述步骤S3中所述图像增强的方式包括直方图修正法、灰度变换、局部统计法、图像滤波法、彩色增强法的一种或多种。

6.根据权利要求4所述的一种基于小样本学习和特征增强的辐射源个体识别方法，其特征在于，所述步骤S3具体为通过图像增强的方式将输出的特征矩阵H进行特征增强，输出得到增强特征矩阵进行特征增强K。

7.根据权利要求6所述的一种基于小样本学习和特征增强的辐射源个体识别方法，其特征在于，所述步骤S4中若雷达脉冲信号的样本数量小于阈值，则将增强特征矩阵K输入到增强条件抗生成网络中对样本数量进行扩充，训练完成后提取增强条件抗生成网络中的生成网络模型，通过所述生成网络模型得到数个生成特征样本，将生成特征样本与增强特征样本混合，得到新的增强特征矩阵。

8.根据权利要求1所述的一种基于小样本学习和特征增强的辐射源个体识别方法，其特征在于，所述步骤S5中将特征输入到分类器中进行分类识别是通过SoftMax分类器进行识别的。