雷达辐射源信号分选与识别的结果直接影响到雷达对抗情报的质量,近年来得到该领域研究人员的高度重视。该技术的性能高低取决于两大核心要素,即识别特征参数和分类器。然而,由这两大核心要素构成的识别系统的效能却是不得而知的。因此,对雷达辐射源信号识别效能评估的深入研究是非常有必要且具有实际意义的。鉴于现有的雷达辐射源信号识别效能评估方法存在指标权重求解不合理、评估方法自身受限、决策风险高等普遍问题,本文固定了识别特征参数,着重评估不同的识别分类器,分别从多属性决策和机器学习两个角度出发,深入探讨了两种不同的雷达辐射源信号识别效能评估方法所涉及的核心技术,所取得的研究成果如下:1.基于多属性决策的雷达辐射源信号识别效能评估主要克服了指标权重求解不合理以及决策风险高的困难。在该方法中,首先,通过在网络分析法中引入直觉模糊数来为指标赋权,既降低了决策风险,又解决了指标之间相互关联的问题;然后,在区间犹豫模糊集的基础上,结合消去与选择转换法和逼近理想排序法,既考虑了逼近理想排序法针对正负理想解设置随意的问题,又克服了消去与选择转换法带来的评估不全面的问题。设计相关实验,得到的仿真结果表明该方法是有效可行的,且该方法可以根据决策者的意愿调整对指标的偏好程度,得到符合当前场景需求的评估结果。2.基于神经网络的雷达辐射源信号识别效能评估主要克服了第一种方法带来的适用性低以及倒序的缺陷。在该方法中,首先采用最大信息系数描述指标之间的关联关系,由此得到关联关系矩阵;然后利用快速社区检测算法对关联关系矩阵进行分析,得到社区划分指标个数;接着,以上述先验知识为基础,构造一个具有约束性并赋予军事意义的网络评估模型,该网络评估模型采用了基于麻雀搜索优化算法的Elman网络结构。设计相关实验,得到的仿真结果表明了最大信息系数和快速社区检测算法对网络参数的预设置提供了重要参考价值,且经过麻雀搜索算法优化后的Elman网络评估准确度更高、稳定性更强、学习能力更优,收敛速度更快,通过与第一种方法对比可发现该方法有效解决了倒序问题,适用范围更广泛。