要赢得现代战争的主动权,就必须充分掌握敌方雷达辐射源的信息,占领电子战领域的制高点,这就使得基于电磁信号的雷达辐射源识别成为现代电子侦察系统中最重要的功能模块之一。论文从雷达辐射源识别这一电子侦察领域的迫切需求出发,对雷达辐射源建模、特征参数为区间和残缺类型不确定的辐射源识别、多功能雷达辐射源识别等关键技术展开了深入的研究。主要研究内容概括如下:第二章研究了雷达辐射源建模问题。针对现代雷达采用复杂体制而造成的雷达辐射源不能正确识别问题,提出了一种雷达辐射源联合参数建模(Joint-Parameters Modeling, JPM)方法,该方法能够实现对标量、区间、函数、序列、残缺五种类型参数的脉冲序列参数层次和特征统计参数层次的联合建模,并基于此,提出了一种基于联合参数建模的雷达辐射源识别框架,这种框架将联合参数模型用于识别过程中,基于特征参数的不同描述模型构建不同的识别算法。第三章研究了区间类型特征参数的雷达辐射源识别问题。首先,对区间类型参数的不确定性进行了建模。然后,针对雷达辐射源特征参数的测量值存在区间类型的不确定性所造成的辐射源不能正确识别问题,提出了一种基于多个多输入单输出矢量神经网络组合(Combination of Vector Neural Network, CVNN)的识别算法。该算法能够实现区间类型的特征输入到区间类型的型号输出之间的非线性映射,并且具有较小的计算量。其次,针对矢量神经网络在训练阶段不能处理语义信息及未考虑训练样本本身的可靠性而造成的辐射源不能正确识别问题,提出了一种基于云模型和矢量神经网络(Cloud Model and Vector Neural Network, CMVNN)的识别算法。该算法不仅能处理语义类型的输入变量,而且能够处理数字类型的输入变量。最后,针对多传感器测量参数的不确定性所造成的雷达辐射源不能正确识别问题,提出了一种基于区间证据理论(Interval Dempster-Shafer Theory, IDST)的雷达辐射源融合识别算法,该算法对每个证据区间的上限和下限分别进行融合,并根据融合后的结果判断雷达辐射源的型号。第四章研究了残缺类型特征参数的雷达辐射源识别问题。首先,对残缺类型参数的不确定性进行了建模。然后,针对模板雷达特征参数不完全以及辐射源型号不完备所造成的雷达辐射源不能正确识别问题,提出了一种基于矢量神经网络增量学习(Vector Neural Network based Incremental Learning, VNNIL)的辐射源识别算法,该算法将矢量神经网络与基于集成的增量学习方法结合起来,将辐射源识别中的分类器设计问题与雷达模板库的积累更新问题当作一个问题来研究。最后,针对模板雷达特征参数值残缺而造成的辐射源不能正确识别问题,提出了一种基于缺失数据填补(Missing Data Imputation, MDI)的辐射源识别算法。该算法利用修正CVNN网络对缺失数据进行填补,在填补过程中仅仅依靠训练样本本身,而不需要有关训练样本分布特性的先验知识。第五章研究了多功能雷达辐射源的句法识别问题。首先,针对漏脉冲和虚假脉冲所造成的雷达字不能正确提取问题,提出了一种基于三级匹配(Three-Level Matching, TLM)的雷达字提取算法。然后,针对雷达字正确提取时由于未考虑到各规则产生式的概率分布而造成的多功能雷达辐射源的不能正确识别问题,提出了一种基于随机文法(Stochastic Grammars, SG)的识别算法,该算法基于多功能雷达的句法模型,根据雷达模板库中的模板雷达文法分别构造相应的随机自动机实现对测量雷达辐射源的识别,并通过仿真实验对算法进行了验证。最后,针对雷达字提取错误造成的多功能雷达辐射源不能正确识别问题,提出了一种基于随机句法引导翻译器(Stochastic Syntax-Directed Translation Schema, SSDTS)的识别算法,该算法基于多功能雷达的句法模型,在利用随机翻译器实现雷达字错误校正的同时,完成雷达辐射源的模式识别功能。