雷达对抗侦察是获取雷达对抗情报的主要手段,其核心技术之一是对雷达辐射源进行准确的分选,只有在此基础上,才能进行辐射源识别以及威胁等级判定,以便指挥人员选择合适的对抗策略。随着电子战的飞速发展,雷达电磁环境变得越来越难以预计,特征参数复杂多变的非协作雷达辐射源越来越多并逐渐呈主导地位。本文主要针对特征参数空间混叠的非协作雷达信号分选存在的关键理论问题进行探索性研究。文章通过分析总结国内外雷达信号分选领域的研究现状,确定了本文研究的主体方向即数据挖掘中的聚类分析方法,进而研究了K-Means和模糊C均值(FCM)两种经典的基于划分的聚类算法。雷达信号易受到噪声污染及测量误差的影响影响,从而直接或间接导致了分选处理错判概率的增加。因此,本文将数据场概念引入到雷达信号数据预处理中,提出了一种基于数据场的雷达信号预处理方法,通过数据场势值来判断雷达辐射源信号样本中的噪声和孤立点干扰,从而来进行数据孤立点的剔除。考虑到传统雷达信号分选模型的不足,以及聚类算法针对非协作雷达信号分选存在的问题,本文构建一种新的针对非协作雷达信号的分选模型结构。通过数据场等势线的构建来确定雷达辐射源的初始值,从而避免了需要辐射源信号先验信息才能完成的初始参数设定环节。基于软划分的模糊C均值聚类分选算法可以更好地处理特征参数空间交叠的类边界划分问题,将数据场和基于软化分的模糊C均值聚类结合起来。这就同时解决了特征参数交叠的类边界划分和聚类初始值的设定问题。