电磁目标识别是国内外电磁认知与应用领域的重要研究方向。近年来,随着人工智能技术的迅猛发展,基于机器学习的电磁目标识别问题成为热门研究方向。现阶段这类识别方法主要在集中式环境中开展,但是电磁环境复杂,信号种类繁多,目标个体数量庞大,这给集中式训练下的存储和计算资源造成了巨大压力,迫切需要开展面向电磁目标识别的分布式机器学习算法研究。因此本文针对电磁目标识别问题,结合机器学习算法和分布式计算方法,开展如下工作:（1）设计了面向电磁目标的分类识别算法。该算法以多个同型号的实采电台信号作为原始数据,利用神经网络学习电磁目标的时频指纹特征,实现对目标个体端到端的识别。通过对比不同数据预处理方法和不同网络结构下的识别性能,确定较优的集中式识别方案。实验结果表明本文提出的算法能够快速收敛,且识别准确率在96%以上。（2）设计了两种基于数据并行模式的分布式机器学习电磁目标个体识别算法。算法针对集中式训练数据集体量过大的问题,将全局数据集拆分成小数据集分散到分布式节点上,并使用All Reduce和Ring All Reduce策略完成模型参数交互和梯度更新。实验结果表明,两种策略下的数据并行分布式训练较集中式训练分别有超过44%和65%的时间效率提升。（3）设计了一种去中心化的分布式机器学习电磁目标个体识别算法。实际场景中,分布式节点同时承担探测和计算任务,但节点间通信带宽受限导致每个节点仅掌握部分个体种类的数据。针对数据并行模式的分布式算法无法适应该场景的问题,节点仅依据本地数据进行梯度计算,并通过与其他节点的信息交互,完成模型聚合和所有节点的模型统一。实验结果表明,聚合后的全局模型能够快速收敛,效率相比集中式训练提升超过36%。