雷达信号脉内调制识别对于脉冲参数估计和辐射源识别具有重要的意义。结合项目背景,本文首先研究了典型雷达脉内调制信号的识别算法,然后研究了算法在硬件平台上快速实现的问题。基于相位差分的脉内调制识别算法是一种经典的时域方法,主要用来分类识别简单调制信号,具有原理简单、复杂度低、易于实现等优点。但现有的算法对信噪比要求高、鲁棒性差、不能适应负频率信号,难以在工程中实际应用。本文主要进行了两点改进:提出了双门限解相位模糊方法,抑制了噪声引起的相位突变,扩展了对负频率信号的适应性;优化了分类识别流程,添加了频域滤波等预处理步骤,提升了低信噪比下的性能。基于时频图像的算法主要用于分类识别多相编码、频率编码等复杂调制信号。主要思路是提取时频图像的特征,然后利用机器学习方法进行分类识别。本文重点研究了基于HOG特征改进的LHOG特征,LHOG特征能表示时频图像的局部形状信息,还具有平移不变性和旋转敏感性,十分符合本课题的要求。最后通过LHOG+SVM分类器的仿真实验验证了算法的性能。为了在多核高性能DSP平台上快速实现算法,本文对实时处理系统中的数据流结构、任务规划、存储分配进行了设计,并通过真实信号对系统进行了测试。