雷达辐射源信号分选是指对接收机接收、截获到的交错混叠辐射源信号流进行信号处理,从而将同一个辐射源发射出的信号分为相同类别。在目前的信息化时代,辐射源信号分选已经成为电子战中的重要环节,对电子战有着重要影响。当前雷达技术飞速发展,出现了许多新体制雷达,战场上的电磁环境日趋复杂,如何在复杂电磁环境中避免信号混叠、丢失,分选出准确的辐射源信号已经成为亟待解决的问题。本文首先介绍了本课题的研究背景和意义,然后研究了本课题的国内外研究现状,通过对国内外研究现状的分析发现辐射源分选算法在实际应用中面临复杂电磁环境干扰的问题,分选效果仍需提升。随后介绍了辐射源信号分选的基本流程,分析各个维度特征参数以及当前新式雷达中各个参数的变化方式,为辐射源信号分选做数据基础,然后介绍了两种经典的脉冲重复时间去交错估计算法和一种用于主分选的序列搜索算法,分析了传统算法面对复杂电磁环境性能下降的原因,最后介绍了机器学习技术以及在辐射源分选中的应用情况。针对传统分选方法在复杂电磁环境辐射源信号参数严重混叠情况下分选性能下降的问题,将机器学习算法与辐射源分选相结合,改进了相关技术并提出一种新的分选方法。主要工作和研究成果如下:针对传统无监督学习聚类分选方法对辐射源种类需提前获知、聚类中心选择对分选效果影响较大的特点,首先对FCM（Fuzzy C-Means）雷达辐射源信号聚类分选算法进行研究,然后提出将AP（Affinity Propagation）聚类算法引入雷达信号分选的聚类技术,利用其对于吸引-传播特性的应用极大提高了算法的可靠性,同时针对AP算法中的震荡消除问题引入了自适应AP算法。经过实验验证了三种聚类分选算法的可靠性,并分析了三种算法的应用场景。针对AP无监督学习算法无法使用已知信息的问题,将基于AP算法的半监督学习算法 SAP（Semi-supervised Affinity Propagation）算法引入到辐射源分选中,并针对SAP算法结果中可能出现违反约束信息的情况,使用了 Seed-AP算法并对其做出一些改进。实验证明改进算法能够更充分利用约束信息和先验信息,使得聚类效果更好。