机载雷达信号分选的主要目的是从截获的混合脉冲流中有效分离出高价值的空中辐射源信号,为后续高威胁目标的识别与分析、作战战略制定等重要作战手段提供可靠的情报信息,是雷达对抗侦察系统的核心环节,为“制电磁权”与“制空权”的顺利夺取奠定坚实基础,已成为国内外的研究热点。本文围绕基于卷积神经网络的机载雷达信号分选问题,重点研究了基于卷积神经网络的机载雷达信号脉内特征提取方法;结合机载雷达信号特点,引入深度学习的方法,改进了传统机载雷达信号分选结构,提高了所提特征的泛化性能,减少了传统信号分选方法的误差累积和对人工经验的依赖,使机载雷达信号分选更智能化。本文主要研究内容为:1.针对传统参数已无法有效应对复杂机载雷达调制信号分选的问题,本文提出一种基于一维卷积神经网络的脉内特征提取方法,构建基于一维卷积神经网络的雷达信号脉内特征提取模型,设计深度卷积神经网络,提取雷达信号脉内调制特征作为机载雷达信号分选的辅助特征。2.针对复杂电磁环境下密集脉冲流的分选难题,结合机载雷达信号参数特征,利用提取到的脉冲描述字,采取基于优化初始聚类中心的K-means聚类算法进行多参数联合聚类,稀释空域中的密集脉冲流,缓解后续信号处理压力。3.针对单一特征已无法有效应对复杂机载雷达调制信号分选的问题,本文提出脉内特征与脉间特征联合分选的方法。建立雷达信号分选新结构,通过深度卷积神经网络提取雷达信号脉内特征;结合序列差值直方图算法,分析雷达信号的脉间特征,实现脉内特征与脉间特征的联合分选。最后,所提方法的可行性通过仿真实验验证,能够实现准确高效的机载雷达信号分选。