在当今的信息战争中,电子对抗越来越重要,其中最关键的环节就是电子侦察,它是电子战攻击和防御中的基石。在电子侦察中,雷达信号分选至关重要,是整个雷达侦察系统发挥作用的先决条件和保证。随着雷达通讯技术的发展,雷达的种类变多和雷达信号干扰和抗干扰技术的进步,导致雷达侦察系统所在的电磁环境日益繁杂。如何从稠密的雷达脉冲流中分选出不同雷达信号源的脉冲信号成为电子侦察领域备受关注的技术问题。雷达信号包含多种参数,如脉间参数和脉内参数,它们在雷达信号分选的过程中都有重要的作用,由于PRI（脉冲重复间隔）在描述大多数雷达脉冲信号时表现很稳定,而且不同的PRI调制类型具有不同的雷达功能,分选出的PRI可以得知雷达辐射源的威胁程度,所以目前多数算法是基于PRI进行雷达信号分选。基于PRI的雷达信号分选方法主要方法分为两类。第一类是传统的、基于PRI的雷达信号分选算法,利用统计学的原理,这些方法计算量较大,容易导致分选错误;第二类是基于聚类算法分选,但是这种方法需要提前设置聚类数目,即提前获悉雷达种类数量,在真实的雷达信号分选过程中很难做到。针对已有的雷达信号分选算法存在的问题和使用PRI参数进行分选的优点,本文基于图像语义分割和雷达信号的时序信息,分别设计了两种利用PRI参数的雷达信号分选方法,第一种方法是使用改进的U-Seg Net图像语义分割网络,利用TOA参数构造PRI频次矩阵,然后使用提出的改进U-Seg Net网络模型对PRI频次矩阵进行雷达信号分选。第二种方法基于雷达信号的TOA序列具有时序关系而设计,利用改进的Bi-LSTM神经网络进行雷达信号分选。该网络有两个子网,CNN子网和Bi-LSTM子网,利用CNN子网提取高维的特征信息,利用Bi-LSTM子网去学习雷达脉冲信号之间的时序关系。然后进行特征融合,预测信号种类。通过实验对比和分析,验证了本文提出的两种模型的分选效果相比传统的雷达信号分选的准确率要更为优异,预测速度更快。本文所提出的改进U-Seg Net相较于改进的Bi-LSTM,前者鲁棒性更好,在面对复杂的雷达信号时表现要优秀,而且雷达信号分选的速度更快。