随着电子信息技术的不断进步,现代战争的战场从传统的陆、海、空战场扩展到了网络和电子空间,电子对抗成为了现代战争中必不可少的一部分。雷达侦察系统和雷达干扰系统是电子对抗的核心,通过对截获的雷达辐射源信号进行识别,判断出雷达的工作状态、个体信息等情报,并通过分析为对敌攻击、己方防御以及战场态势评估提供情报保障。然而如今电磁环境日益恶化,雷达辐射源信号更加多变且存在大量的干扰,因此快速且准确的执行雷达侦察任务意义重大。雷达干扰是在侦察的基础上根据战场态势对敌方雷达电子设备和系统进行干扰使其丧失或降低使用效能。本文主要研究了雷达侦察系统中的雷达个体识别问题,雷达工作状态识别增量学习问题,以及雷达电子对抗中的雷达干扰决策问题。首先,针对雷达辐射源个体识别问题提出了一种基于自适应最长公共子序列(ada-LCSS)的雷达辐射源个体识别算法。该算法通过对最长公共子序列匹配算法进行改进,减小噪声对个体识别结果的影响。文中介绍了辐射源个体识别问题的求解思路以及脉冲包络的提取过程,并提出改进后的ada-LCSS算法,该算法通过结合雷达信号在传播过程中衰减及受干扰的变化特点,将原始的线性权重改变为非线性权重,并通过相似性计算公式,对雷达辐射源个体进行识别。然后,针对雷达辐射源识别中的增量学习问题提出了一种新的基于数据块的集成式雷达工作状态增量学习算法。该算法对基于差异性模型选择和知识迁移的概念漂移处理方法(DTEL)进行改进,针对DTEL中每次遇到新数据块都要更新集成模型而造成的资源浪费问题,通过加入概念漂移检测机制控制增量学习启动的时机来缩短训练时间,同时使用新的差异性模型选择策略,在保证增量学习分类正确率的前提下提高集成模型训练速度。最后,针对雷达干扰决策问题提出了基于自适应启发式Q-Learning的雷达干扰决策方法。首先从雷达干扰决策的基本问题出发,介绍了干扰策略构成要素、雷达干扰决策方法和干扰效果评估方法,研究了雷达工作状态的变化与雷达干扰效能评估的关系。然后提出一种改进后的雷达干扰决策方法,通过自适应结合干扰趋势表(IIT)的方式,引导强化学习过程中干扰动作的选择,从而缩短学习时间,并得到最佳的干扰策略。