雷达辐射源信号识别是衡量雷达对抗设备技术先进程度的重要标志,是现代电子对抗领域急需解决的难题。然而随着军事科技的日益发展,电磁环境日益复杂,传统的一些分类识别方法已不能满足要求。无监督学习是解决未知雷达辐射源信号识别的有效方法。支持向量聚类算法(Support Vector Clustering)是一种基于支持向量机的无监督聚类方法,它对样本集进行聚类分析时无需任何先验知识,可以获得任意形状的聚类边界。SVC算法中的核函数参数对聚类的形成起着决定性的作用,并影响着聚类的边界和形状。如何寻找最优的核函数参数是SVC算法对辐射源信号进行准确识别的关键之一。SVC算法不仅时间复杂度高,而且在处理分布复杂、不均匀样本时,识别率较低。因此本文对SVC算法性能进行分析研究,在实现对SVC核函数参数寻优的同时降低SVC算法时间复杂度,提高其对分布复杂、不均匀样本的识别率,以实现对雷达辐射源信号迅速而准确的识别。论文的主要工作及研究成果如下：1.对无监督聚类算法进行了讨论,着重介绍了K-均值(K-means)和模糊C-均值(FCM)算法,并进行了实验对比。2.将SVC应用于雷达辐射源信号识别时,其结果表明,SVC不仅时间复杂度高,而且在处理分布复杂、不均匀样本时,识别率很低。3.引入量子进化算法(QEA)对SVC核函数参数进行优化,给出QEA-SVC算法。利用QEA算法寻找核函数参数,使SVC算法对数据样本分类时得到比较满意的聚类分布。对算例样本、iris数据集和雷达辐射源信号进行聚类分析的实验结果表明,QEA-SVC算法对SVC核函数参数的寻优是有效的。4.结合模糊C-均值聚类算法和SVC算法的优点,给出FC-SVC算法。首先利用模糊C-均值聚类算法对数据样本进行初步的线性划分,将原数据样本划分为若干个子样本。再将这些子样本分别映射到高维特征空间,用SVC方法去处理非线性问题。将此算法用于对算例样本和雷达辐射源信号样本的分类和识别,通过实验分析可知,此方法能在降低计算时间的同时,有效地提高识别率。