雷达辐射源识别(Radar Emitter Identification,RED一直都是民用和军用领域的一个热点话题,也是一项非常关键的技术。雷达辐射源识别的本质是模式识别的问题,通过雷达辐射源特征提取、特征选择以及特征分类识别等技术的实现,完成相关的武器类型甚至雷达个体识别,从而判断出战场的电磁环境态势和战场的指挥决策提供精确的辅助依据。首先,由于日益激烈的电子对抗和新型雷达信号的出现使得传统的识别算法的分类性能大大降低,甚至出现严重的错误。为此,本文提出了一种新的雷达辐射源识别方法,我们研究了基于双谱和多层超限学习机的雷达辐射源特征提取和分类方法,并对六种典型的雷达辐射源进行了特征提取和分类。其次,在如此高密度,复杂可变的信号调制环境中,现有的深度学习算法虽然识别精度上可以达到辐射源的识别精度,但是神经网络的收敛需要大量的训练时间,难以满足未来战场对实时性的要求。所以,结合现有的超限学习机算法以及方向梯度直方图(HOG)算法进行雷达辐射源的特征提取和分类,并验证了该算法的有效性。最后,基于雷达辐射源双谱的局部二值化模式(LBP)特征和双谱方向梯度直方图特征,将二者的融合特征作为特征进行分类,分类器采用超限学习机。使用典型的雷达辐射源对该算法进行验证,实验结果证明了该方法的可行性。