随着认知科学理论和计算机信息学科的不断发展和丰富,模式识别的理论与方法已广泛应用于语音识别、图像识别、自然语言处理、手写字符识别和故障诊断等诸多领域。但在面临新样本的学习任务时,它仍然无法更改原有的分类边界,依旧存在分类模型泛化能力不高、无法拒识或识别新类以及需要重新训练所有类别样本等问题。在雷达对抗中,随着雷达、电子技术的快速发展和电子对抗的日趋激烈,现有的雷达辐射源识别模型已难以适应日益复杂的电磁环境,亟需一种具备高精准率和虚假判别能力的模型,以解决非合作场景下大量未知雷达的识别和干扰的拒识。于是,本文从人类认知事物的思想角度出发,基于同一事物之间的同源连续性构建一种拥有较高的分类准确度、能够拒识虚假数据和具备一定泛化能力的仿生认知模式识别模型,并将其应用于新体制雷达辐射源信号识别领域。首先,论文主要研究胶囊流形覆盖和超球流形覆盖两种构造性分类识别算法并验证了算法在公共数据集分类中的有效性。通过研究可以得出:引入流形半径变化率的胶囊流形覆盖优化算法和二次划分后的超球覆盖算法,能够避免大量待识别样本中的少量未知类样本数据被划分到已知类别中,从而提高识别率且达到良好的评价指标。其次,以雷达辐射源信号为对象,开展基于两种区域流形覆盖的分类优化算法在雷达辐射源信号识别中的应用研究。针对雷达辐射源数据存在非线性、维度高以及数据量大的特点,引入核函数,将雷达数据投影到高维空间,在雷达辐射源特征空间进行参数约简。对比分析超球覆盖方法与胶囊流形覆盖算法在雷达辐射源数据上的识别结果,并得到两种覆盖算法分别适用于何种数据分布的重要结论。最后,对比分析胶囊流形覆盖算法与常用的支持向量机（Support Vector Machine,SVM）、k-近邻（K Nearest Neighbor,KNN）和反向传播（Back-Propagation,BP）神经网络等方法。理论分析和实验结果表明,本文所提出的覆盖算法不但在小类别样本数据集上识别率较高,还能拒识未知干扰类别或拒识新类。而且,这一特点非常适合解决在线学习的问题。