随着新体制雷达在现代信息化战场上不断涌现,雷达辐射源信号识别成为雷达对抗战中首先需要被解决的关键性问题。雷达信号识别技术通过对辐射源信号的参数进行提取分析,帮助己方对目标雷达的类型、载体、用途以及威胁等级等信息作出判断,从而影响下一步作战决策。该技术的发展水平已经成为衡量电子侦察系统效能的重要指标。在上述背景之下,本文对雷达信号识别方法进行研究,从特征选择算法的角度出发,克服现有复杂体制雷达信号识别技术中存在的存储成本高,过程繁琐,识别精度较低亦或是提取到的特征无法解释等问题。课题针对不同调制方式下的辐射源信号提取多种人工设计特征,合并为原始特征集,再采用基于Fisher-score、深度神经网络等特征选择算法对特征集进行优化处理,以使得其对识别任务更加有利,具体的研究工作如下:1、论文先对几种典型的脉内调制信号进行研究,通过其时域波形图、频谱图分析信号的调制特点。构建有效的雷达信号原始特征集,本文对几种雷达信号进行了数据增强处理,转换至频域上提取复杂度特征、转换至时频域上提取小波脊频级联特征、经过Wigner-Ville分布至时频域上提取信息熵级联特征、以及在时频域上提取模糊函数特征。原始特征集虽从不同角度上更为全面地反映了信号的调制属性,但也存在冗余现象,针对这一问题,文章采用Fisher-score特征选择算法,对各维特征在类间及类内距离进行打分,并对特征进行适当剔除,获得优质特征子集,结合分类器提高分类性能。2、利用深度神经网络强大的自主学习能力,提出将深度特征选择网络应用于雷达信号识别研究中来。深度特征选择网络可以通过模型的训练捕捉到原始特征集中各维特征于分类任务的敏感程度,度量出哪些特征更具区分度,哪些特征是冗余特征,以此对特征在输入级别实现加权处理,来提高分类精度。文章通过模型参数择优实验,调整模型参数,获得了较为满意的实验结果。同时,由于是针对具有明确物理意义的原始特征集展开的特征选择工作,恰当地规避了利用深度学习网络进行雷达信号识别时提取到的特征具有“黑箱性”无法解释的问题,体现了算法的优越性。3、针对深度特征选择网络存在的梯度扩散,易陷入局部最优解的问题,引入基于堆叠收缩自动编码器的特征选择网络进行雷达信号识别处理。该网络采用无监督贪心预训练和有监督细化微调的方式进行学习训练,有效捕捉到各维特征对分类任务的影响情况,并予以加权处理,实现网络分类性能的提升。同时,为了验证该模型的普遍适用性,增加一组将经过小波时频变换的脊线特征直接作为输入进行分类的实验,实验结果验证了模型具有良好的普适性。