雷达辐射源分选是电子侦察环节的重要内容,信号分选的效果直接决定着电子战局势的发展。随着雷达技术的日益发展,雷达体制逐渐多样化和复杂化。当前电磁环境日益复杂,传统的雷达分选技术已经远无法满足当前电子战的需要。针对这一现状,本文研究如何利用机器学习算法设计出合理有效的雷达辐射源分选方法。本文的主要贡献及研究内容如下:本文对类别不平衡条件下的雷达辐射源分选进行了研究,并提出了一种基于平衡随机森林（Balanced Random Forest,BRF）的分选方法。首先介绍了类别不平衡的相关概念和解决问题的技术手段,然后针对传统的机器学习算法预测小类时表现欠佳的问题,深入研究了BRF算法,并创造性地将BRF算法引入到雷达辐射源分选任务之中,提出了一种基于BRF的雷达辐射源分选方法。最后通过实验对比分析了支持向量机、K近邻法和BRF应用于雷达辐射源分选的效果,说明了在类别不平衡的条件下基于BRF的分选方法不仅能够显著地改善小类雷达辐射源的分选效果,还能提升整体的分选性能。本文继续对缺乏先验条件下的未知雷达辐射源分选进行了研究,并提出了一种基于具有噪声鲁棒的密度聚类（Density-Based Spatial Clustering of Applications with Noise,DBSCAN）的分选方法。首先对不同类型的聚类算法进行了介绍,并对其优缺点和适用范围进行了分析。接下来重点研究了基于密度聚类的DBSCAN算法,并提出了一种基于DBSCAN的未知雷达辐射源分选方法。通过实验对比分析了 K-均值聚类、基于层次方法的平衡迭代归约聚类、谱聚类和DBSCAN应用于未知雷达辐射源分选的效果,说明了基于DBSCAN的分选方法对于不同调制方式的雷达辐射源具有很好的分选效果,且具有很高的分选准确率。