雷达辐射源分选与识别一直是电子侦察监视、电子对抗等领域的热点研究问题。随着各类辐射源和有意无意干扰的增多,并伴随着雷达低截获概率技术的发展、工作体制的复杂化以及抗干扰技术的综合应用等,导致截获信号呈现出信噪比低、干扰脉冲多、观测误差大等特点,雷达脉冲序列规律性被严重破坏,使得模型驱动类的传统分选与识别方法面临严重挑战。机器学习是由数据驱动的信号处理与信息获取工具,近年来在图像处理、数据挖掘、自然语言处理、语音识别等领域得到了广泛应用并取得了较大成果。由于数据驱动方法对含有误差的大样本数据具有很好的适应能力,且在前期训练后能够满足实时性处理的需求,拟将机器学习方法引入非合作雷达信号与数据处理（军用领域又称雷达侦察信号与数据处理）领域,以解决传统方法对复杂环境适应能力弱的问题。本文重点研究机器学习技术在复杂电磁环境雷达脉冲分选和识别方面的应用,主要工作与创新性成果归纳如下:（1）针对部分参数已知的重点目标快速分选问题,考虑复杂电磁环境下丢失脉冲和虚假脉冲比例高且测量误差大的情况,从雷达辐射源脉冲混叠模型出发,利用自编码器对信息的压缩和重构能力,提出基于自编码器（Autoencoder,AE）的无监督脉冲序列去噪方法和基于降噪自编码器（Denoising Autoencoder,DAE）的分选方法。在去噪过程中,主要利用自编码器编码过程对有用信息的压缩提取,以及解码过程对原始信息的重构,实现对虚假脉冲的抑制、丢失脉冲的修补和测量误差的校正。该方法不需要原始脉冲序列作为标签数据,而是直接分析并提取带噪声数据之间的共同特征进行无监督去噪,与传统去噪方法相比,对噪声适应能力更强。基于降噪自编码器的快速分选方法主动增加噪声作为网络输入,通过自编码器对脉冲到达时间序列（Time-of-Arrival,TOA）逐层提取出具有鲁棒性的有效特征进行分选,仿真实验证明,与传统方法相比,新方法具有模型简单、收敛速度快、鲁棒性强等显著优势。（2）针对常规脉冲分选问题,提出基于迭代卷积神经网络（Iterative Convolutional Neural Networks,ICNN）的分选新结构。网络结构中的迭代单元每次将分选输出的单个脉冲序列从原始交叠的脉冲序列中删去,以达到简化原始序列的目的,实现迭代分选。ICNN不仅能够逐个输出分选结果,且可以处理目标源个数不确定的分选问题。此外,由于分选过程中输出目标与样本目标顺序无法确定,本文提出多目标训练（Multi-target Training,MTT）方法,使得ICNN可以解决训练过程中目标与输出的匹配问题。仿真实验表明,在同样的参数设置下,ICNN比传统方法具有更高的分选准确性和对误差更强的适应性。（3）面向高比例丢失脉冲和虚假脉冲等复杂条件,本文提出基于卷积神经网络的重频类型识别方法CNN-PRIR（Convolutional Neural Networks based Pulse Repetitive Interval Recognition）,该方法利用深度学习强大的表示能力建立辐射源脉冲与重频类型之间的映射关系进行识别。辐射源的重频具有多种类型,在低信噪比环境下难以被准确识别,但由于重频序列具有周期性和局部性,而深度卷积神经网络可以提取输入的局部特征,且对噪声带来的形变具有良好的容忍度,因此非常适合解决重频类型识别问题。仿真实验表明,CNN-PRIR方法较传统统计方法和一般深度神经网络具有更高的识别准确率和对误差的适应性,且对于训练数据集之外的目标识别也具有良好的泛化能力。（4）针对复杂场景下的雷达辐射源型号识别问题,包括低截获概率技术和雷达周期旋转导致的观测信息不均匀,以及多功能体制雷达和复杂模式雷达部分模式相同或相似的情况,提出基于注意力机制的多循环神经网络（Attention-based Multi-RNNs,ABMR）型号识别方法。该模型首先针对辐射源的多维特征分配循环神经网络,并利用注意力机制合理分配神经网络的权重,在识别过程中充分聚焦有利于识别的真实脉冲信息,并忽略噪声和未观测到相关信息的部分。ABMR模型将脉冲描述字（Pulse Repetitive Words,PDWs）中的高维特征作为网络输入进行训练,收敛后的网络可以对获取的脉冲序列进行识别。由于注意力机制可以通过调整网络权重来关注脉冲序列的关键信息,因此可以充分挖掘和分析辐射源特征的微小差别和高噪声环境中较少的真实脉冲,从而对复杂场景下雷达辐射源型号进行高效识别。实验表明,新方法在低信噪比条件下的识别性能远优于已有传统方法和一般神经网络方法。