支持向量机(Support Vector Machine, SVM)是一种基于小样本学习理论的有效分类方法，近年来已成为国内外机器学习的一个研究热点。本文以SVM为基础，对直推式支持向量机(Transductive Support Vector Machine, TSVM)算法和基于迁移学习的支持向量机进行了研究，并给出了这两种方法的改进算法。本文首先阐述了SVM方法的研究现状和SVM在雷达辐射源分类中的应用，然后介绍了SVM的理论基础和迁移学习的基本概念。接下来介绍了TSVM算法以及渐近直推式支持向量机(ProcessingTransductive Support Vector Machine,PTSVM)算法，并针对PTSVM算法训练时间过长的缺点，引入K近邻和缓存的思想，在算法的每次迭代过程中对多个无标签样本进行处理，这种做法可以大大减少算法的训练时间。KMMSVM算法先用核均值匹配(Kernel Mean Match，KMM)计算每个源样本的权重值，然后选取源样本权重值大于阀值的源样本，最后用这些源样本训练SVM分类器并对目标样本进行分类。当源样本数目较大时，KMMSVM算法训练时间较长。针对这个缺点，本文将集成学习与KMMSVM结合起来，构建多个KMMSVM基分类器，然后将单个基分类器的结果以一定的方式集成起来。由于每个基分类器的训练样本只包含少量源样本，所以算法的训练时间大大减少了，同时基分类器结果的集成提高了算法的分类正确率。最后将文中基于动态K近邻和缓存改进的PTSVM算法和基于集成学习的KMMSVM算法应用于雷达辐射源数据中。先对雷达辐射源数据进行特征提取，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算法与原算法进行对比，实验表明，改进后的方法优于原来的方法。