神经网络集成通过训练多个神经网络并将其结果进行集成,可以显著地提高学习系统的泛化能力。由于其具有优越的性能和广泛的适用性,近年来已成为国内外机器学习界的一个研究热点。本文在对Bagging算法及细胞自动机理论进行深入研究的基础上,设计实现了一种新的基于细胞自动机的Bagging方法模型,利用细胞自动机的状态同步转换特性来扰动训练样本从而增加了个体网络的差异性,达到提高泛化能力的目的。本文首先在对神经网络的理论进行了深入研究的基础上,设计实现了一种合理的RBF神经网络,并将它作为Bagging的基分类算法。再把细胞自动机技术引入到Bagging集成算法中,在构建细胞自动机模型时,用遗传算法来寻找最优的细胞转换规则,该规则能使每轮训练样本集的差异性最大。最后,将基于细胞自动机改进后的Bagging算法应用到雷达辐射源识别中。在该系统中,首先对雷达辐射源数据进行特征提取及归一化处理,将经过预处理的雷达仿真数据作为实验的数据集；然后用雷达数据集对改进后的Baggig方法和传统的Bagging方法进行比较对比,实验表明,改进后的方法有更好的泛化能力。