在越来越复杂的电磁环境下,辐射源个体的识别是在电子战中获取情报的重要手段,所以辐射源个体的识别引起了国内外学者越来越多的关注。辐射源个体的“硬件”指纹识别是指将辐射源唯一电磁特征和辐射源个体关联起来的能力,又称作辐射源信号的指纹识别。但是,目前基于辐射源在传统分类识别放下的“硬件”指纹识别率比较低、分类性能比较差。由此,本文提出了基于机器学习和深度学习的辐射源“硬件”指纹识别方法。本课题从提取表征辐射源个体的硬件“指纹”特征入手,分析了天线的远区场强分布以及方向性系数空间分布等多种“硬件”指纹特征,深入解释了多种机器学习模型的原理,实现了利用机器学习算法识别辐射源个体的“硬件”指纹特征,并且达到了很高的识别率,具有较大的现实意义。本文研究的主要内容包括:1.分析辐射源个体的硬件特性以及方向性参数,通过数据挖掘方法来完成辐射源个体的硬件“指纹”特征提取,具体包括辐射源个体的远区场强分布以及各项方向性参数的空间分布等。2.依据支持向量机模型相关理论进行参数设计,构建合适的支持向量机模型,并且给出支持向量机模型的多个度量指标。通过横向对比模型各项参数对于识别率的影响,得到最优的参数组合。3.对于单个机器学习模型的方法容易导致过拟合的情况,提出采用集成机器学习方法的随机森林模型。通过统计各项特征的重要性,构建随机森林分类模型。通过横向对比模型各项参数对于识别率的影响,得到最优的参数组合。4.为进一步提升识别率并且为接下去更加复杂的电磁问题研究做铺垫,提出了神经网络分类模型用于辐射源的“硬件”指纹识别。