雷达辐射源识别是现代信息化电子战中电子侦察部分的关键环节,电子侦察处于战争的先导位置,是保证电子战胜利的先决条件。由于当前日益复杂的电磁脉冲环境以及雷达技术的飞速发展,对雷达辐射源的识别长久以来一直是雷达对抗领域中亟待发展的关键技术,准确并实时地识别出特定雷达辐射源的存在对于获取敌方雷达信息情报、有针对性地实施雷达干扰等具有关键意义。本文由雷达辐射源识别的基本原理和流程出发,展开了基于流形学习的辐射源识别技术研究。首先分析了辐射源电磁环境,对几种典型的脉内调制信号进行了仿真分析,研究了雷达侦察系统接收处理信号参数的流程和辐射源识别中的常用特征参数,并分析对比了传统的辐射源识别方法。随后,针对雷达辐射源识别中所面对的高维海量特征数据处理难题,引入模式识别中用于数据降维的传统降维方法,分析算法的原理、适用条件、优点和不足,在此基础上将非线性的流形学习算法应用到辐射源特征参数的约简降维中。分析了典型的流形学习算法的思想和计算方法,仿真了算法针对典型流形中数据点的降维效果,分析了不同算法的性能、使用条件以及参数选择等。最后研究了基于LLE算法和神经网络分类器的雷达辐射源识别技术。分析了识别流程的三个关键环节,包括信号的特征提取、特征选择以及如何根据所提取的数据来设计选择分类器,研究了常用神经网络分类器的原理结构。在此基础上通过LLE算法对信号在不同信噪比条件下提取的样本信息进行维数约简,并经过神经网络分类器进行分类。结果表明,利用LLE算法降维后的特征向量进行分类识别在一定的噪声条件下仍然表现出较好的识别正确率,并且在处理降维后的低维特征向量时,计算量的减少对于辐射源识别的实时性有明显的提高。