通信卫星信号发射源识别对于现代电子战争有着重要意义,信号细微特征分析是信号识别中非常重要的一部分,由于当今社会电磁环境越来越复杂以及无线电技术飞速发展,对信号发射源识别提出了更高的要求,通常使用的信号细微特征特征维度较高以及计算复杂度较大,随之而来出现两种问题:一是信号采集技术的发展,信号的细微特征提取计算量越来越大,运算时间变长;二是特征维度越来越高,将引发维度灾难。本文使用双谱和包络的分形维数两种信号细微特征,对这两种特征进行流形降维并作为分类器的输入,对双谱变换算法进行GPU(图形处理单元)并行优化。首先分析了两种信号细微特征的原理。随后,针对信号识别中所面对的高维的特征数据出现的维度灾难,引入机器学习中的传统降维方法,分析了降维算法的原理、适用环境、优点和缺点,在此基础上将流形降维算法应用到信号细微特征的约简降维中。分析了典型的流形降维算法的思想和计算方法,采用实际数据的信号特征针对流形中数据点的降维效果,分析了不同降维算法的性能。最后研究了基于t-SNE(t分布随机近邻嵌入)算法和SVM(支持向量机)分类器的信号识别技术。针对单一特征识别流程的步骤进行了优化,包括将信号的双谱细微特征提取算法改为基于GPU的并行双谱提取算法、特征的维度对于分类正确了的影响以及通信卫星信号特征分层的原因。在此基础上通过t-SNE算法对不同的特征进行降维,并经过SVM分类器进行分类,根据电磁环境不同采用三组信号数据分别进行五组实验。结果表明,基于GPU的并行双谱特征提取算法能够极大地提高特征提取的速度(如训练时间从48.7s降至0.3s)。利用t-SNE算法降维后的细微特征会影响识别正确率,但基本上保留了样本在高维特征时的拓扑信息,并且在处理降维后的低维特征时,计算量的减少对于分类识别的实时性有明显的提高。