电子战是当今军事活动中不可或缺的一个环节，本质上是通过处理战场上不同频段的各类电磁信号，在充分保障自己安全的前提下赢得军事对抗中的主动权。近年来，人工智能是非常火热的话题，机器学习又是实现人工智能的一个重要途径，未来的电子战必定会广泛使用机器学习算法。本文从信号分选、雷达行为分析和雷达抗干扰三个场景出发，并通过一些机器学习算法对每种场景进行分析。
　　首先，雷达信号分选是最常见的电子战应用。信号分选主要以雷达信号的脉冲描述字(PDW)为原始样本并对不同的辐射源进行分类。随着雷达技术的不断提升，其PDW的形式也会多种多样且更加复杂化。传统的聚类方法只适合对比较常规的PDW信号进行分选，本文通过对复杂环境下的PDW进行分析，并在传统的聚类算法上提出了一种将蚁群智能优化与传统聚类相互结合的方法，从而提高复杂环境下侦察设备对信号分选的准确度并通过仿真实验得到验证。
　　其次，就是通过贝叶斯模型去分析反舰导弹辐射源的行为。近年来，随着反舰导弹的干扰寻的(HOJ)性能不断强化，电子战领域的专家也迫切需要进一步提升干扰反舰导弹制导系统的技术。经过分析研究，反舰导弹在攻击目标的过程中，其辐射源的行为会从搜索状态转换为跟踪状态，此时在它行为发生变化的那一瞬间释放电子干扰可以达到最佳干扰效果。为了达到这一目的，我们需要测量出反舰导弹辐射源的行为开始发生变化时，它与舰队之间的距离还剩下多少。文章中该场景的仿真实验就以某种反舰导弹攻击目标时其辐射源的PDW状态为背景，通过贝叶斯模型中常用的蒙特卡洛马尔可夫链(MCMC)方法对该反舰导弹辐射源的两种状态进行分析，同时预测出其辐射源行为发生变化时导弹与舰队之间的距离，仿真实验表明该方案可行。
　　最后，以雷达抗干扰为背景，在防空组网雷达跟踪飞行器目标的时候，经常会受到飞行器释放的有源拖曳式诱饵的干扰。为了使得防空组网雷达在拖曳式诱饵的干扰下仍然可以正确跟踪目标，文章首先通过分析有源拖曳式诱饵的工作原理以及和目标之间的相互联系，然后提出了一种MCMC和逻辑回归二分类器相融合的模型对目标和拖曳式诱饵进行分离，并通过仿真实验的结果来证明此方法的有效性和优越性。
　　电子战与机器学习的相互结合是个比较新颖的话题，也将成为以后电子战领域的研究重点。