接收不同的雷达信号并识别其脉内调制方式是现代电子战中一个十分重要的课题,随着电磁环境的不断恶化以及复杂体制雷达逐渐占据主导地位,雷达辐射源信号的特征提取与识别也面临严峻考验。提取有效的复杂体制雷达信号特征和设计高性能的分类器也是亟待解决的问题,本文研究了雷达信号的脉内分析技术以及神经网络分类器,具体的工作内容有以下几个方面:1.建立了不同调制方式的雷达辐射源信号的模型,并对其特点进行了介绍,对于脉内分析技术,阐述了几种常用的时频分析方法,并进行了仿真分析,为后续的雷达信号特征提取提供理论基础。2.研究了雷达信号模糊函数主脊切面的特征提取以及基于广义回归神经网络的雷达信号脉内调制方式识别方法。利用分数自相关与模糊函数的关系提取雷达信号的模糊函数主脊切面和旋转角度,同时引入了符号化时间序列方法,为了解决符号化方法参数选择困难的问题,提出了一种粒子群优化的模糊函数主脊切面符号熵特征提取方法,将提取的符号熵与旋转角度组成特征参数。最后分析了广义回归神经网络的学习方法并将该网络作为分类器对特征参数进行分类识别。仿真实验表明粒子群优化的特征提取方法可以有效的提取模糊函数主脊切面的符号熵,且符号熵抗噪性能良好,提高了低信噪比条件下雷达信号脉内调制方式的识别率。3.研究了雷达信号的时频图像特征提取以及基于卷积神经网络的雷达信号脉内调制方式识别。通过伪Wigner-Ville分布和Choi-Williams分布提取了雷达信号的时频图,并利用图像处理的方法将时频图像降维降噪,不同调制方式的雷达信号时频图像差异明显,可以通过时频图来加以区分。卷积神经网络作为一种深度神经网络在图像识别领域得到了广泛应用,本文将卷积神经网络引入到雷达信号识别领域,用卷积神经网络作为分类器,对雷达信号的时频图进行识别。对卷积神经网络的训练参数与识别性能的关系进行了仿真分析,结果表明基于卷积神经网络的脉内调制方法有较好的抗噪性能,在低信噪比条件下也有着很高的识别率。