分类是机器学习和模式识别的基本问题，然而随着技术和现实环境的变化，传统的基于集中式的分类方法已受到了极大的挑战，需要对它做出改进以满足现实的需要。针对传统识别系统的不足，提出了本文的算法。本文的主要工作是在分布式环境下基于Boosting算法来构建多个分类器，融合Boosting和分布式为一体，对多站点多分类器识别系统的分析方法、体系结构、设计以及实现等做了初步探索。首先对标准Boosting算法作了详细的分析，并提出了改进算法。在此基础上本文设计并实现了在分布式环境下基于Boosting的多分类器识别方法。在该方法系统中，首先主要针对辐射源数据的特征提取理论算法作了深入探讨，并且用该方法对系统所用的数据集进行预处理，将数据从高维向低维做影射，提高系统的识别率。其次对作为该Boosting的基分类算法——BP神经网络作了详细的讨论，并成功地构造出合理的神经网络结构。最后重点对分布环境下多分类器的设计、构建、改进等作了深入的研究。最后用公共数据集进一步验证系统的可靠性，取得了很好的效果，达到了系统设计的要求。同是对识别所用时间有明显的降低。