电子对抗是现代战争信息战的最为重要的表现形式,其中,雷达辐射源信号识别是电子防御与电子干扰情报保障的关键。传统的手动提取物理特性的雷达辐射源信号识别技术已无法在日益复杂的电磁环境中有效工作。因此,本文利用大量的雷达辐射源数据研究基于数据的机器学习模型,并重点研究了机器学习中的集成学习方法,为有意调制和无意调制的雷达信号分别建立了相关识别模型,自动提取信号特征,实现雷达辐射源信号有效快速的识别。本文的主要工作有:(1)针对雷达信号有意调制的雷达工作模式识别问题,首先建立基于贝叶斯概率框架的变分相关向量机(VRVM)模型,然后引入改进的混沌引力搜索算法(CGSA)增大搜索广度,对变分相关向量机的超参数进行有效的优化,最后采用阈值优化的集成策略(TOVO)过滤无效结果,形成最终的集成模型CGSA-VRVM-TOVO。实验表明,所建立的雷达工作模式识别模型能有效地对四种工作模式进行区分。(2)针对雷达信号无意调制的雷达个体辐射源识别问题,首先以决策树的集成模型轻量梯度提升树(LightGBM)为基础模型,初步提取辐射源信号特征,然后采用堆叠归纳(Stacking)的集成策略形成LightGMB-LR级联模型,进一步学习初步预测结果和实际标签之间的偏差,最后通过经验模态分解法提取雷达信号的各个时间尺度分量,形成最终的融合了最小时间尺度特征的轻量梯度提升与逻辑回归级联模型IMF-LightGMB-LR。实验表明,所建立的雷达个体辐射源信号识别模型能有效提高雷达个体的识别准确率,并减少了大量的训练时间。(3)针对各类样本不平衡的雷达个体辐射源识别问题,综合考虑了数据量和学习难易程度两个方面的数据不平衡对结果造成的影响,提出了一种按照类别损失对各个类别赋予权重的非平衡数据集处理方式Loss_weighted。实验表明,Loss_weighted在整体资源一定的情况下,能够平衡各类别的识别效果,使得各个类别的召回率方差小于其它平衡方法。