通信辐射源个体识别（又被称为通信辐射源指纹识别）是通过测量发射机反映在信号上的差异对信号和发射机进行关联,在电子对抗中发挥着重要作用,是现代电子战中不可缺少的手段。本文主要研究无监督条件下通信辐射源个体识别,开展的主要工作如下:（1）将无监督学习引入到通信辐射源个体识别中,开展基于密度峰值聚类算法的通信辐射源个体识别方法研究。首先在双谱的基础上计算通信辐射源观测信号的直方图特征,提高其个体信息表征能力,其次计算每个特征样本的局部密度和相对距离构建决策图,最后依据中心点的特性在决策图上选择聚类（簇）中心点并给非中心点分配标签。该方法在实际采集的超短波电台数据集上的实验结果验证了该方法在没有任何先验信息条件下能够有效实现通信辐射源个体的无监督识别。（2）针对密度峰值聚类算法使用高斯核函数估计得到的样本点的密度与样本点实际密度相差较大的问题,提出一种基于改进核函数密度峰值聚类的通信辐射源个体识别方法。该方法首先基于热扩散方程估计核密度,在此基础上,通过改进的Sheather-Jones算法实现最佳带宽自适应选择。该方法可以改善密度估计结果,使其与数据点的真实密度更加接近。该方法在三种实际电台数据集上进行了实验,实验结果表明该方法的可行性与有效性。与其他典型聚类方法相比,该方法在实际采集的通信电台数据集上的实验结果表明该方法能够获得更优的分类识别性能。（3）本章提出了一种基于改进距离测度密度峰值聚类的通信辐射源个体识别方法。首先针对欧式距离不能充分表征复杂非线性通信辐射源观测数据内部结构的问题,引入测地距离作为两个观测样本点间的距离测度;针对密度峰值算法中的相对距离不能充分反映聚类中心点的问题,对原始密度峰值聚类算法第二个假设中的比较量进行重新建模,设计比较距离测度;针对密度峰值算法中参数dc的取值依赖用户主观经验的问题,引入局部密度信息熵实现参数自适应选择。在实际采集的通信电台数据集上的实验结果表明,该算法的性能明显优于其它聚类方法,在实际采集的超短波电台数据集和krisun电台数据集上的识别率分别达到78.6%和80%。（4）针对现有的方法仅仅局限于通信辐射源个体的静态识别问题,即新出现的通信辐射源个体无法有效识别的问题,设计了基于增量模型的通信辐射源个体识别框架。该模型以增量密度峰值聚类算法为基础实现增量学习,以聚类的结果作为先验信息构建KNN分类器的训练集,对数据进行二次分类。实验表明该模型在面对新出现的通信辐射源个体观测样本时,该方法能够有效利用历史数据信息和有限训练样本解决未知类的通信辐射源个体识别问题。