El aprendizaje automático se vuelve cada vez más prometedor en la identificación específica de emisores (SEI), especialmente en la extracción de características y reconocimiento de objetivos. Las características tradicionales, como la frecuencia de radio (RF), la amplitud de pulso (PA), la densidad espectral de potencia (PSD), etc., generalmente muestran efectos de reconocimiento limitados cuando solo existe una ligera diferencia en las señales de radar. Se utilizan numerosas características bidimensionales en el dominio de transformación, como diversas representaciones tiempo-frecuencia y función de ambigüedad, para aumentar la abundancia de información, aunque generalmente surge una carga computacional inaceptable. Para resolver este problema, se proponen algunas características elaboradas hábilmente en el dominio transformado, como la rebanada representativa de la función de ambigüedad (AF-RS) y la máscara de muestreo comprimido (CS-MASK), para extraer información representativa que contribuye a la tarea de reconocimiento de máquinas. Sin embargo, la mayoría de las características elaboradas solo utilizan una red neuronal como clasificador, pocas de ellas se centran en la extracción de características informativas profundas desde la perspectiva de la cognición de la máquina. Tal extracción de características que se basa en la cognición humana en lugar de la cognición de la máquina puede perder información textual aparentemente nominal que en realidad contribuye en gran medida al reconocimiento, o recopilar demasiada información redundante. En este documento, se propone una nueva extracción de características basada en la cognición de la máquina (MC-Feature) recurriendo a la detección de saliencia. La detección de saliencia muestra contribuciones positivas y suprime contribuciones irrelevantes en un dominio de transformación con la ayuda de un mapa de saliencia calculado a partir de los gradientes acumulados de cada neurona hacia los datos de entrada. Finalmente, las contribuciones positivas e irrelevantes en el mapa de saliencia se fusionan en una nueva característica. Numerosos resultados experimentales demuestran que la MC-feature puede fortalecer considerablemente la ligera diferencia intraclase en SEI y proporcionar una posibilidad de interpretación de CNN.