针对现代战场复杂电磁环境,在低信噪比(-6 dB)下传统雷达调制信号采用常规五参数特征的识别方法准确率低的问题,本文采用深度学习中的AlexNet卷积神经网络模型自动提取图像各种特征细节,从而替代手工设计特征的庞大的特征工程以实现信号在低信噪比下的识别。该方法首先利用平滑伪Wigner-Ville时频分析在时频域内生成雷达调制信号的时频图像;然后采用中值和均值滤波结合去噪对时频图像进行预处理;最后使用图像处理器GPU在深度学习架构Tensorflow下搭建AlexNet模型进行训练,对CW、LFM、EQFM、DLFM、BFSK、BPSK以及QPSK这7种雷达信号进行特征的自动提取和选择,从而实现雷达信号的自动识别。仿真结果表明,在信噪比为-6 dB时,除QPSK信号外其余6种雷达信号的整体识别率均达到90%以上,比采用非深度学习和LeNet5卷积神经网络的识别效果好,从而验证了该方法在低信噪比下雷达信号识别的有效性。