雷达指纹识别旨在通过提取由雷达内部元器件差异造成的发射信号区别于其他同型号雷达的细微特征,实现雷达个体的判别和追踪。与传统雷达个体识别或调制方式识别相比,雷达指纹识别具有指纹信息极其细微、隐匿度较高的特点。目前,基于机器学习的雷达指纹特征提取与识别方法逐渐崭露头角,然而已有的研究多基于仿真数据,模型和参数设置偏差较大,在实际场景中的识别率低、稳定性差;另外,电子战日趋智能化、自动化,对雷达指纹识别的实时性和自适应性提出了更高的要求。针对上述挑战,本文首先阐述了雷达指纹产生机理;然后基于实测雷达数据对雷达指纹特征提取与识别方法展开研究,并评估了所提方法的有效性。论文主要创新点和工作如下:1.针对传统方法中存在的特征有效性和代表性差、在实际场景中识别效果不理想的问题,提出基于变分模式分解（Variational Mode Decomposition,VMD）的多域特征提取与识别方法。为充分挖掘信号中隐含的指纹信息,该方法首先利用VMD将雷达信号分解为不同的子信号,然后对各分量进行多域特征提取;在分类器设计方面,提出基于随机森林的雷达指纹识别,通过理论论证和实验分析与其他分类器进行比较,研究了随机森林中决策树数量设置问题;最后研究了脉内采样点数对识别效果的影响,通过对比实验对所提方法进行评估。实验表明该方法可实现基于部分脉内稳态信号的高准确率雷达指纹识别;随采样点数增加,识别率不断提高,其中截取脉内3000个采样点进行特征提取,即可实现高于99%的识别率;模型具有较强的泛化能力,算法简单,容易实现。2.为实现细微雷达指纹自动特征提取与识别,提高算法的实时性和普适性,提出一种基于卷积神经网络的雷达指纹识别方法。通过将时域雷达信号转换成二维时频图,输入卷积神经网络实现雷达指纹特征的提取和识别。针对传统时频分析方法存在的时频聚集性和频率分辨率较差,易丢失细微雷达指纹信息的问题,引入一种基于变分模式分解-希尔伯特变换（Variational Mode Decomposition and Hilbert Transform,VMD-HT）的时频分析方法;为降低运算量同时保证细微指纹信息的完整性,研究了时频图预处理问题;针对时频图的特殊性,研究了卷积神经网络的参数设置、时频图尺寸影响、网络结构优化和卷积层数影响四方面内容;基于实测数据的研究表明优化后的网络具有较高的识别准确率和泛化能力。