当前战争环境下,电子战在实战中比重的逐渐增加,雷达信号截获往往对战局产生影响,但电磁环境的复杂化导致了识别所截获的雷达信号变得困难,因此,对辐射源的正确识别或是附加干扰是电子对抗中的重要研究方向。信号的单一特征往往无法判断辐射源的正确类型,而采取对信号更多元化、更全面的多域特征提取并加以融合,可以有效的提高识别率,本文重点对辐射源的多域特征进行提取,并通过多核学习的方式提高识别正确率。首先,完成了对雷达辐射源的多域特征提取过程。总结了常见的雷达辐射源形式及雷达无意调制特征的产生原理,并进一步构造雷达信号源用于分析雷达细微特征。采用基于分形理论和高阶统计量的特征提取方法对附加相位噪声及包络特征的信号进行特征提取,并分析并初步筛选所获得的高维特征。将多域特征进行拼接,特征中包括信号的时域、频率、相位特征等,可以全面的表达信号的特征。然后,对所获得的多域特征进行优化处理。由于提取的特征维度较高,对于部分域的特征可能存在特征不明显等情况,同时高维特征中也会存在一些噪声或发生过拟合的情况,因此需要对已有特征进行降维,采用特征降维中的特征抽取及特征选择方法,并比较几种方法的优劣,选择有效算法保留有用的特征。最后,对已有特征完成分类器的设计。针对多域特征可能存在异构的情况,单核支持向量机对多域特征的识别效果可能会受单一核函数对特征的映射能力不足的情况,采用基于多核学习的支持向量机设计可以解决这种异构的情况,对拼接优化后的特征进行多核支持向量机分类,分析识别率与信噪比的关系,并对雷达辐射源实测数据进行分类。本文通过特征提取,特征优化及分类器设计构造了一套完整的雷达辐射源识别系统,并完成附加包络特征及相位噪声的两类信号在信噪比为-6d B情况下,分类效果可以提高7%左右的识别率,-4d B情况下提高5%。