无人机集群因具有感知范围广、部署灵活等优点,被广泛应用于电子侦察。多功能雷达（Multi-Function Radar,MFR）工作模式识别作为电子侦察的核心内容,对截获的信号样本进行分析以判定MFR的工作模式,为制定电子对抗策略提供情报基础。本文以无人机集群对抗多个MFR为研究背景,引入图信号处理技术,建立信号样本间的融合依据,围绕工作模式样本不平衡且训练样本较少情况下的MFR工作模式识别开展了深入研究。具体研究内容如下:（1）针对无人机集群截获的信号样本难以直接融合分析,以及工作模式样本不平衡且训练样本较少的情况,提出一种基于平滑图信号生成的MFR工作模式识别方法。先将样本集重表征为平滑图信号,得到相同工作模式下信号样本间的关联,图信号中一个节点即为一个信号样本;然后利用图注意力网络（Graph Attention Networks,GAT）对其进行样本数据融合与分类,实现MFR工作模式识别。其中,将融合范围限制在一阶邻域,从而减少不同工作模式样本间的干扰,以应对工作模式样本不平衡;另外,GAT可进行邻域类别信息传递以摆脱对大规模训练样本的依赖。仿真结果证明了该方法的有效性。以K近邻图算法生成平滑图信号为例,当工作模式样本不平衡度约为10:1,每种类别训练样本数目为25时,该方法的识别准确率和F1指数相对现有方法分别提高了22.38%和21.62%,且能够适用于存在一定噪声干扰的情况。（2）针对传统平滑图信号生成算法的时间复杂度较高且无法用于无人机集群分布式处理架构的问题,提出一种基于分布式自组织映射（Self-Organizing Map,SOM）的平滑图信号生成算法。采用分布式SOM算法对信号样本集聚类,由于单个聚类簇内的信号样本属于相同工作模式的可能性较大,相邻的聚类簇包含的样本也具有一定相似性,且所有聚类簇的拓扑关系是已知的,因此可依据簇邻居关系生成关于信号样本集的平滑图信号。理论分析与仿真结果表明,该算法相比传统算法具有更低的时间复杂度,且与上述GAT结合能够取得较高MFR工作模式识别精度。