本文利用集成学习算法来解决辐射源识别问题,针对分类器设计过程中常见的特征选择、信噪比变化、新辐射源样本这三个问题,给出了相应的解决方案,并通过仿真实验证明方案的有效性。为了解决更复杂的辐射源识别问题,分类器中必须引入更多的辐射源特征,这会导致信号处理流程的负担过重;而且特征向量维度的增加容易在分类器的训练过程中造成计算量大幅度提高,由于集成学习算法由许多个基分类器构成,计算量对算法的影响会更加明显。针对这一问题,本文根据CART算法本身的特征选择机制,提出了一种包裹式的特征选择算法。仿真实验结果表明,该算法可以实现比较理想的特征选择效果,相比较于经典的Relief算法,该算法在辐射源数据集上维持原有分类准确率所需的特征数量更少,降维效果更好。此外,由于辐射源特征本身具有很强的物理意义,为了进一步增强辐射源分类过程的可解释性,本文在CART算法的基础上提出了三种特征评价指标,仿真结果也表明这三种特征评价指标都能有效地量化某一特征在分类器中的作用大小。环境信噪比的变化对辐射源特征数值分布的影响非常显著,会直接影响分类器的判决准确率。针对上述问题,本文分别从多样性集成和变权集成两个方向提出解决方案。首先通过样本自主采样、随机特征组合的方式构建基分类器,并设计了一种基于不同信噪比的多样性增强方式;然后提出了一种基于信噪比估算的变权集成算法,通过待测样本信噪比的估算结果动态地调整基分类器权重,以此来降低信噪比变化对分类的影响。仿真实验结果表明,多样性集成与变权集成都能有效改善分类器在不同信噪比下分类效果,其中随机森林算法在基分类器数量较多时可以达到最高的全局准确率,但在基分类器数量较少时性能表现不够理想;变权集成算法则在基分类器数量很少时也能实现良好的分类准确率,但是最终的分类效果会受到信噪比估算误差的影响。常规的分类器不仅无法检测新的辐射源样本,而且只能通过重新训练来获取对新样本的认知,效率低下。针对这一问题,本文提出了一种轻量化的增量式集成学习算法,通过开集识别改进保证CART基分类器只会对已知的样本做出有效判决,否则投出“弃权票”,从而可以通过添加基分类器的方式来扩充集成学习算法能够识别的类别范畴。仿真实验表明,该算法可以实现关于类别数量的线性计算复杂度,大幅度降低新增分类类别所需训练成本,在一定信噪比范围内依然能保持相对较高的准确率。