雷达辐射源信号识别是电子战的关键部分,很大程度上影响了战争的结果。随着电磁技术的不断进步,新体制雷达的不断研制,战场电磁环境变得越来越复杂,单纯依靠脉冲描述字特征进行识别的方法已经难以满足当前战争的需要。此外,由于战场环境下每次能够收集到的信号样本量通常较少,难以准确反映战场雷达信号的真实分布情况,同时模型训练容易过拟合,目前多数研究均为多次截获雷达信号以构建大样本数据集,但该做法周期较长,难以满足战争实时性的要求。在该背景下,本文进行了如下研究:1、针对小样本雷达数据集样本数量较少导致识别性能较差的问题,本文通过样本扩充的方法,来优化识别效果。本实验构建了 10种不同规模的小样本雷达数据集,并基于不均衡问题研究中常用的SMOTE和Borderline SMOTE算法搭建小样本信号扩充模型,再将扩充后的信号分别通过决策树、随机森林和KNN三种分类器模型进行识别。结果显示,SMOTE算法和Borderline-SMOTE算法均可以提升小样本数据集的识别准确率,而且扩充前后三种算法的识别准确率均随样本数量增长而逐渐上升。2、针对常规脉冲描述字特征难以满足复杂环境下小样本雷法辐射源信号识别的需要,本文提出了一种将常规时、频域特征与小波包分解特征结合起来的特征提取方法,并通过支持向量机分类器进行识别。实验结果表明,该特征提取方法可以提取雷达信号内部的细微特征,不仅可以识别不同类型辐射源发射机发射的雷达信号,还可以深入识别相同型号的不同辐射源发射机发射的雷达信号。3、针对小样本分类模型性能提升需要,本文对于支持向量机分类器进行改进,使之适用于雷达辐射源信号多分类问题,同时结合Grid Search方法自动寻找最优参数。相比于根据人工经验设置参数的方法,该方法可以快速便捷的寻找到不同规模的小样本雷达信号数据集的最优参数。结果显示,分类的准确率基本都有所提升,其中准确率最高的为高斯核函数的分类器,优化后准确率达到99.92%。