雷达辐射源识别是电子对抗中的一个关键步骤。随着现代电子战的对抗越来越激烈,信号形式更加复杂多变,传统识别方法面临日益严峻的挑战。电子设备日益完善,接收精度越来越高,使得现有特征集维数过大,给后续的分类器带来很大的负担。此外,面对当前电子对抗的实时性要求,雷达辐射源识别需要快速准确的处理数据,从而进行即时有效的战场指挥与决策。针对电子对抗中出现的新问题,本文研究了雷达辐射源识别中的特征选择与在线学习方法。首先,针对辐射源特征集小样本、高维数的特性,研究了Relief和Simba两种滤波式特征选择算法。实验结果表明,特征选择算法能够对实测辐射源数据的原始特征集进行稳定有效的降维,从而加快分类速度,实现工程应用。其次,针对SVM-RFE算法不能去除冗余特征的问题,提出一种基于相关冗余理论的支持向量机递归特征排除算法(MRMR-SVM-RFE)。该算法将相关冗余准则嵌入到SVM-RFE的特征排序策略中,构建出更为完善的联合特征排序准则,因此能够更好地优化特征结构。实验结果表明,MRMR-SVM-RFE在识别性能、稳定性以及鲁棒性等各方面均优于原始的SVM-RFE算法,并能成功应用于辐射源数据的特征选择。最后,为了满足雷达辐射源识别系统实时处理数据的需求,研究了多种在线学习算法。实验结果表明,对雷达辐射源数据,基于感知器的算法运行速度快,但稳定性较差;而OISVM算法虽然比感知器算法慢,却能保持较高且稳定的识别率,而且训练耗时也远低于传统的SVM算法,适合于工程应用。