为应对现有雷达的复杂化及认知化的发展,世界各国先后提出认知电子战的结构和概念。在认知电子战处理雷达脉冲信号的过程中,当接收到的辐射源信号来自的对象具有认知能力或混合程度和复杂程度较高时,传统电子侦察在处理效率和处理准确性方面都会逐渐无法达到要求,为此,众多研究者在认知电子战的结构基础上提出认知侦察的概念。论文主要针对认知侦察模块进行研究,根据现有资料完善认知侦察结构和功能,对认知侦察中的信号分选及作为其辅助环节的侦察数据库进行改进,利用具有认知能力的数据库以及基于卷积神经网络的单脉冲参数信号分选的方法,使得认知侦察中的信号分选在信号处理效率以及信号处理准确率上都得到提高。在论文的第二章中,为提升认知侦察中信号分选的处理效率,论文中将现有侦察数据库改进为具有认知能力的数据库,结合基于层次的聚类算法从数据库的索引模式到调用形式及存储内容方面进行改进,通过和现有数据库存储的对比仿真,表明在信号处理过程中当数据量达到一定值时,信号分选效率有显著的提高。解决了分选效率的问题后,还需要解决信号分选准确率不高的问题,为此论文中为解决现有因信号预分选误差过大导致的最终分选错误的问题,将现有的信号分选中预分选和主分选所使用的参数结合使用,利用单脉冲参数信号分选的方法,将得到的到达时间差矩阵作为新的分选参数。接下来,将经过单脉冲参数信号分选计算的到达时间差矩阵进一步处理,得到最大公倍数向量,利用改进的模糊C聚类算法并进行仿真,解决部分聚类模糊问题,使得最终分选准确率有所提升。和现有信号分选所使用的脉冲描述字有所区别,论文中使用的单脉冲参数信号分选方法计算得到的脉冲描述字差矩阵可以获得更大量的单脉冲数据。以此为基础,可以将信号分选方法和深度学习中的卷积神经网络算法进行结合,使得最终分选准确率稳定在90%以上,在数据量充足的状态下可以达到96%左右的分选准确率。在整篇论文中,主要针对认知侦察模块中的侦察数据库和信号分选这两个关键环节的问题进行改进,同时将作为对比的传统信号分选及使用到的算法进行仿真。并最终在运行时间和运行准确率上进行比较,完成认知侦察中雷达信号分选的研究。