新一代基于人工智能的认知电子战技术代表着未来信息作战的重要发展方向，雷达电子侦察是认知电子战系统的重要组成，也是获取非合作情报信息的主要手段。作为雷达电子侦察的任务需求，首先需要从混合信号中分离出非合作方的信号，然后再对其进行检测与识别。随着战场电磁环境的复杂化，信号参数空间的交叠程度不断加深，传统基于参数的雷达信号分选系统性能受到严重影响。盲信号分离技术可在未知参数信息的条件下，仅利用信号的独立性或稀疏性实现信号分离，其在信号分选中的应用取得了一定的效果。但是现有的盲信号分离算法在接收阵元数目有限的情况下，对于时域同时到达，且时频域存在混叠雷达信号的分离效果并不理想。另外，由于分离后的信号存在特征畸变或缺失，导致单一维度的特征表达能力受限，对后续的信号识别提出了更高的要求。因此，如何在阵元数目受限且未知先验参数信息条件下，实现多个混叠信号的有效分离，并通过自主特征学习以融合不同维度信息，完成信号的自动识别是认知电子战领域面临的重要技术难题。　　本文以侦收阵元个数小于源信号数目的欠定雷达电子侦察为背景，提出了基于盲信号分离与机器学习的侦察信号识别框架。在此基础上，利用盲信号分离中的稀疏成分分析方法，实现多信号的混合矩阵估计和分离重构，并对分离后的信号，在波形特征维度、图像特征维度和联合特征维度完成信号的自动识别，主要的研究内容如下:　　1.在雷达电子侦察盲信号分离中的混合矩阵估计方面，提出了两种新的单源点检测方法，并联合局部动态数据场聚类估计出混合矩阵。多信号在信道中的传输参数矩阵即为混合矩阵。针对瞬时混合模型，挖掘变换域中侦收信号的辐角特征，提出了一种基于辐角的单源点检测方法，通过引入局部方向密度检测对动态数据场算法进行改进，实现单源点的二次筛选与聚类，并估计出混合矩阵。另外，针对延时混合模型，给出了一种适用于均匀线阵、L型阵和圆阵的混合矩阵估计算法。该算法根据阵列结构特点，将侦收信号通过矩阵变换使其具备线性聚集特性，最终完成聚类并求解出混合矩阵，实现了不同阵列接收模型下混合矩阵估计的统一表达。仿真结果表明，所提算法提高了混合矩阵的估计精度与抗噪声性能，为后续的盲信号重构奠定了基础。　　2.在雷达电子侦察盲信号分离中的信号重构方面，提出了一种基于时频稀疏特征的MIMO雷达及多类型雷达信号重构算法。该算法首先利用所提出的单源点检测和聚类方法估计出混合矩阵，将盲信号分离问题简化为已知混合矩阵的信号重构问题。在此基础上，基于信号稀疏模型，分析雷达信号的稀疏特性与编码规律，提出了一种时频域平滑l0稀疏重构算法，并联合时频脊线的台阶特性恢复出雷达信号的时频信息与编码序列。仿真结果显示，该算法对于时域、频域和时频域均存在交叠条件下的雷达信号能够以较高的精度重构出源信号波形，为解决复杂电磁环境下多信号的分离与下一步的识别问题提供新思路。　　3.在波形特征提取与识别技术方面，提出了一种基于距离准则的最优分类原子特征提取与识别方法。该方法首先根据信号的类间分离性和类内聚集性，建立基于距离准则的信号分离度概念。然后，采用改进的双链量子遗传优化算法，在距离准则约束下匹配选择适于分类的最优原子，并将信号与最优分类原子的内积作为特征矢量。最后，引入极限学习机作为分类器完成信号的分类识别。该方法借助双链量子遗传算法优异的参数寻优性能和极限学习机处理交叠特征数据的快速收敛能力，实现侦察信号的快速分类识别。仿真结果表明，所提方法能够提取侦察信号的最优分类原子，并对特征参数存在交叠的信号识别有较好的处理能力。　　4.在图像特征自主学习与识别技术方面，将深度卷积神经网络引入侦察领域，提出了三种侦察信号的自动特征提取与识别算法。首先，在卷积神经网络LeNet-5结构的基础上，提出了一种侦察信号自动识别算法。该算法将分离后的侦察信号转化为二维时频图像，利用图像处理方法提取时频图像的主成分信息，并采用卷积神经网络实现信号的自主特征学习与识别。然后，将预训练深度网络模型(VGGNet和GoogleNet)采用迁移学习方式引入侦察领域，分析极限学习机与深度网络模型分类器的联系，提出了两种基于图像特征迁移学习的自动识别算法，并进一步给出联合波形维度和图像维度特征的迁移GoogleNet-ELM网络模型。仿真结果表明，所提算法提高了侦察信号的识别率，验证了所提网络模型在电子侦察领域应用的可行性与有效性。