高频地波雷达（High Frequency Surface Wave Radar,HFSWR）,通过利用高频电磁波可沿海面进行绕射传播的原理对视距之外的目标进行探测,可有效补足我国沿海国防能力,加强对领海资源的监视、保护能力。但由于雷达回波中面临着多种杂波与干扰,对目标探测产生了极大的影响。当今被广泛应用的杂波抑制算法主要是针对某种单一类型的杂波进行处理,以减弱该类杂波对目标探测的影响,限制条件较高。如果能够在运用杂波抑制算法之前,对杂波进行分类处理,那么将极大地提高杂波抑制算法性能,实现雷达智能化处理。本文最终要实现对高频地波雷达的不同类型杂波进行分类,因此首先需要对杂波的相关特性进行分析,建立杂波特征数据库:原始通道数据特征、波束形成后的幅值特征、距离特征、多普勒特征、邻域空间相关性系数特征、无维分流特征、Gabor纹理特征、小波尺度特征。并运用特征筛选算法对特征库进行了降维处理,选取性能最优的特征子集。其次本文选取了五种机器学习算:K近邻算法、朴素贝叶斯算法、支持向量机算法、后向传播神经网络算法、卷积神经网络对高频地波雷达杂波进行分类处理,将分类结果进行对比,选取最优的分类方法卷积神经网络算法,得到了比较满意的分类效果。最后,本文在上述方法的基础下基于实测数据,针对高频地波雷达杂波分类面临的小样本问题以及电离层杂波时变性强的问题,提出了一种基于迁移学习算法的杂波分类方法,并基于其分类结果对电离层杂波进一步分类为弱电离层杂波和强电离层杂波,得到了较好的分类结果。