雷达信号分选是雷达对抗侦察系统中的关键技术,雷达对抗信息处理技术先进程度的最重要衡量指标之一就是信号分选水平。在设法提高雷达接收机参数测量精度的同时,高效准确的分选方法也是研究的重点。而近些年来,机器学习算法成为各领域研究的热点,而且取得了许多实用有效的成果,同时,它还大大促进了人工智能领域的迅速发展。如何在以传统的雷达信号分选技术为基础的同时,将机器学习算法应用到信号分选当中,成为当前解决复杂电磁环境下雷达信号分选的重要研究方向之一。针对参数交叠严重而常规三参数(脉宽PW、到达角DOA、载频RF)分选方法分选准确率低的问题,本文研究了小波包特征提取法,并提取了具有非常好的类内聚集度和类间分离度特性的雷达信号脉内特征,即小波包特征Wpt6,并对具体的提取步骤作了分析。针对常规参数相似,信号调制方式也相同,只有细微特征不一样的两个辐射源,本文从雷达发射机的角度出发,通过提取雷达信号的双谱特征(也称个体特征),并利用利于机器学习算法识别处理的双谱对角切片进行优化,摒除不必要的冗余信息,最后利用支持向量机(SVM)算法对多组对角切片数据进行分选仿真,仿真结果表明,这种特征可以有效区分这两种差异性很小的辐射源信号。针对传统地利用单一分选算法分选准确率不高的问题,本文提出了将自组织特征映射神经(SOFM,Self-Organizing feature Map)网络与k-means算法结合后的SOFM-kmeans算法对常规三参数进行分选。该方法主要采用先分后合的思想,两个算法之间相互取长补短,可以降低时空域的复杂度,具有更加稳健的分类识别能力。仿真结果表明,SOFM-kmeans算法相比于这两种单一算法,分选准确率得到了提高。针对SOFM网络分选之前需要提前确定分选规模的问题,提出了一种规模自调整的SOFM网络改进算法,并在常规三参数的基础之上,提出加入脉内特征参数Wpt6参与信号分选,并比较相同的算法对不同参数仿真的结果,仿真结果表明,对于常规三参数交叠特别严重,甚至非常相近而导致分选准确率很低的问题,加入的信号脉内特征有效地提高了分选准确率。