雷达信号分选在电子对抗领域中扮演着重要的角色,同时也是被动雷达导引头一个重要组成部分。雷达信号分选完成在复杂的电磁环境下目标雷达的侦察和特征参数的提取。雷达信号分选效果的好坏直接影响雷达侦察系统的性能。随着电磁信号环境的复杂多变、雷达信号的多种多样、脉冲流密度的增加以及容差选择问题导致单参数雷达信号分选算法遇到瓶颈,慢慢地向多参数聚类分选算法进行演进。本文对常见的雷达信号分选算法进行介绍,并着重研究多参数聚类分选算法中的模糊聚类分选算法和支持向量聚类算法。模糊聚类分选算法是多参数聚类算法中应用比较广泛的分选算法,然而模糊相似矩阵的运算量跟信号类型的判别是模糊聚类算法面临的主要难题。针对模糊聚类分选算法中模糊相似矩阵计算量随着脉冲流密度增加而膨胀增加问题,本文提出了特征样本抽取法,利用特征数据代替全部数据进行模糊相似矩阵计算。由于模糊聚类算法可以放大雷达信号参数之间的差异性,导致捷变雷达信号划分成多个聚类中心集合,从而脉冲重复周期无法进行正常提取。在此基础上提出了脉冲重复周期匹配法,根据基波以及多次谐波关系可以判断不同聚类中心的脉冲流是否属于同一个脉冲雷达信号,完成脉冲重复周期的提取。由于抖动雷达信号和滑变雷达信号具有相似的雷达信号变化规律,模糊聚类算法在进行信号判断时容易出现误判。在此基础上提出脉冲重复周期二次处理法,根据相邻脉冲重复周期差值出现峰值的数目完成两种信号类型的判决。支持向量聚类算法是种更精准的分类方式,此算法是将雷达数据点映射到高维空间,对高维空间的样本数据点进行聚类判断。针对簇标定过程中非支持向量数据点的划分问题,在双质心簇标定算法的基础上提出改进方法,利用支持向量点、非支持向量点跟双质心构建的向量关系进行判断,仿真实验表明改进算法提高了非支持向量点划分的准确度,并降低了对高斯核函宽度数值选择的敏感度。