在现代战争全面转向信息化方向的今天,电子战在越来越广的范围内影响着战争的发展,作为电子战的先导和基础,电子侦察从某种意义上成为了决定战争胜负的重要因素。在这样的背景下,本文针对雷达辐射源信号的识别问题进行研究,并在解决识别模型的超参数优化问题的过程中,对针对算法选择和超参数优化的自动机器学习方法进行深入研究,这种实现机器学习自动化的新方法为模式识别提供了新的思路,非常有利于雷达信号的识别。本文在特征提取后,研究了基于AUTO-SKLEARN与TPOT两种自动机器学习方法的雷达信号的识别。首先,本文基于导师研究团队对雷达信号脉内特征提取的研究积累,以及在相关科研项目中参与开发的雷达智能感知系统,针对科研项目中的辐射源信号,提取了信息熵、小波脊频特征以及信息维数和Lempel-Ziv这两种复杂度特征。除此之外,为了给自动机器学习提供更多的有用特征,本文采用降噪自编码器这一深度学习模型对雷达信号进行特征提取。深度学习通过复杂的网络和高效的训练方式,可以学习到一般方法采集不到的深层特征,而降噪自编码器通过对原信号的加噪处理,在进行编码与译码重构的过程中能发掘出原信号更为本质的特征。然后为了解决雷达信号识别中有关算法选择和超参数配置的CASH问题,采用AUTO-SKLEARN方法对前面提取的特征进行识别,AUTO-SKLEARN利用SMAC这一基于随机森林的贝叶斯优化工具实现算法的参数调优,并通过元学习对贝叶斯优化的热启动,给优化指定候选方案,缩小了搜索空间。最后将若干评估结果较好的模型组成一个集成,在发挥最大效能的同时尽量避免过拟合。除此之外还采用了TPOT方法,该方法可以生成任意的树结构流程,流程中各节点的算法可随机搭配,并通过遗传编程进行演化,优化得到理想的机器学习流程。实验结果显示AUTO-SKLEARN与TPOT对雷达信号有着非常好的识别效果且识别表现稳定可靠。最后,通过对比分析发现,单独使用TPOT对特征进行处理后,在支持向量机上识别效果最佳,而AUTO-SKLEARN可以发挥多分类器的综合优势,因此本文提出以TPOT处理特征,再以AUTO-SKLEARN对变换特征进行自动机器学习,通过这种方式将这两种自动机器学习方法结合起来,进一步提高了识别效果。