雷达辐射源信号分选是当今电子对抗领域需要解决的首要问题,分选的效果将直接影响着后续雷达辐射源信号工作模式识别及后续战场威胁等级评估等方面。本文对雷达辐射源信号分选进行了系统的研究,主要涉及到雷达辐射源信号脉内特征评估、高脉冲密度环境下雷达辐射源信号分选以及未知雷达辐射源个体的识别,所取得的主要研究成果为:针对雷达辐射源信号脉内特征评估体系不完善的问题,从四个角度完善了现有的评估体系,该评估体系可以更全面的评估信号特征。针对雷达辐射源信号脉内特征评估标准单一的问题,提出了一种主客观的决策融合算法,该方法通过结合专家先验知识确定指标权重区间,之后使用改进的投影寻踪算法建立评估模型,并使用非单调投影谱梯度算法实现了主客观决策融合。针对雷达辐射源信号分选现阶段面临的脉冲密度大的问题,提出一种基于多参数的DBSCAN预分选方法,该方法无需事先输入聚类类别数,且可以根据数据特点去除干扰脉冲。针对雷达辐射源信号分选算法时间复杂度高的问题,提出了一种基于单参数PRI的雷达辐射源信号主分选方法,该方法借鉴了传统SDIF算法的思想,从三个方面对其提出了改进,极大提高了主分选速度且更准确的抑制了子谐波的产生。针对雷达辐射源分选过程中出现的“增批”的问题,提出一种结合深度神经网络的多参数GRU网络合批方法,该方法通过分段随机采样对长度不一的PDW序列采样,并输入至GRU网络中进行合批判决。仿真实验表明,该分选算法可以有效解决传统分选算法容易产生的“增批”问题。针对未知雷达辐射源个体识别速度慢,准确率低的问题,提出了一种结合深度学习的未知雷达辐射源分布式个体识别方法,该方法对雷达辐射源个体进行智能表征,并使用深度学习网络对其进行深层特征提取,结合支持向量数据描述的方法进行未知雷达辐射源个体识别,并通过决策融合,对多个子识别器的识别结果进行决策融合,得到最终的识别结果。仿真结果表明,该方法较单识别器而言,识别准确率有较大的提升。