在目前的电子战中,随着电子技术的发展,电磁环境越来越复杂。针对雷达辐射源个体的识别是在复杂的电磁环境中实现精准反击的基础。目前,雷达辐射源识别主要采用参数匹配方法,其识别精度和实时性不能满足复杂电磁环境中雷达辐射源个体的识别要求。本文主要从特征提取和分类两个方面对复杂电磁环境中的雷达辐射源个体识别技术进行优化。本文主要的创新及贡献如下:本文提出两种雷达辐射源特征提取方案:（1）对雷达辐射源信号进行频域、时频域变换后提取其统计特征的基于信号变换的雷达辐射源特征提取算法;（2）基于自编码器的雷达辐射源特征提取算法,首先从理论角度验证自编码器提取特征的可行性,然后对雷达辐射源信号进行离散傅里叶变换（Discrete Fourier Transform,DFT）并经过自编码器,采用自编码器的编码层的输出作为其特征,此外,本文采用基于群体的训练方法（Population Based Training,PBT）对自编码器的超参数进行优化。本文提出雷达辐射源信号特征的评估体系,主要包括两种雷达辐射源特征提取方案所提取的雷达辐射源特征的复杂性、分离性、表征性三个方面的评估。实验表明:基于自编码器的雷达辐射源特征提取算法的复杂性低于基于信号变换的雷达辐射源特征提取算法,但分离性和表征性不如后者。本文提出的雷达辐射源分类算法是基于机器学习算法的。首先研究集成学习中极限梯度提升（Extreme Gradient Boosting,XGBoost）和随机森林对于雷达辐射源个体分类的效果,实验表明随机森林在分类速度和准确率上优于XGBoost,且使用基于自编码器提取的特征准确率更高。为进一步优化模型分类效果,本文使用夏普利加性解释器（SHapley Additive exPlanations,SHAP）对 XGBoost 和随机森林模型进行解释。为解决复杂电磁环境中雷达辐射源个体识别的实时性问题,本文提出基于正弦网络（SincNet）的雷达辐射源分类算法,针对本文中的雷达辐射源信号数据,SincNet在第一层卷积层增加了带通滤波器,不需要额外的特征提取环节。实验表明,基于SincNet的雷达辐射源个体识别方案的收敛速度优于基于卷积神经网络（Convolutional Neural Networks,CNN）的方案。