雷达辐射源个体识别,又被称为雷达辐射源指纹识别,是指通过接收雷达辐射源所发出的电磁脉冲信号,提取指纹特征,根据已有信息确定产生信号的辐射源个体的过程。伴随着电子信息技术的迅猛发展,现代电子战的智能化水平也日益提高,与此同时新体制雷达不断出现,信号波形变得更加复杂多变,给雷达辐射源个体识别任务带来了巨大的挑战。在现代电子战争中,传统的基于模板匹配的雷达辐射源个体识别方法,由于缺乏自主学习的能力,已经难以满足实际战场需要。因此,针对上述问题,本文提出了新的雷达辐射源个体识别方案。本文以强化学习模型为基础,针对雷达辐射源个体指纹特征选择和分类器设计等相关问题展开了研究,主要工作如下:首先,本文对雷达辐射源个体识别理论基础进行了深入的研究。对比分析了两种雷达发射机的基本结构,并对信号的产生机理进行了研究。对雷达常见信号进行了建模,在此基础上,分析了雷达辐射源信号的两种脉内调制方式,引出无意调制为产生指纹特征的主要原因,并对指纹特征进行了分析。其次,实现了基于强化学习特征选择的雷达辐射源个体识别方案。本文以封装式特征选择算法为基本思想,使用强化学习算法进行特征选择,通过提取雷达辐射源脉冲信号的时域、频域和时频域指纹特征,实现了对雷达辐射源个体的识别,识别准确率高达99.98%。本文所提出的特征选择方法,在降低指纹特征维度的同时,提高了雷达辐射源个体识别的准确率。最后,本文实现了基于深度强化学习算法的雷达辐射源个体识别方案,使用DQN、DDQN和Dueling Network三种深度强化学习算法作为分类器,将马尔科夫决策模型应用于雷达辐射源个体识别任务,通过实测数据验证了其可行性,识别准确率达到99%以上。