雷达信号脉内调制方式识别是现代电子情报侦察、电子支援系统中的重要环节。由于现代电子战环境日益复杂,雷达侦察系统经常会截获到时域交叠的脉冲,形成多分量雷达信号。现有的大多数雷达信号识别技术对多分量雷达信号环境不具有适应性,造成雷达信号识别失败。因此,针对多分量雷达信号的分析和处理是当前雷达侦察系统中迫切需要解决的问题。本文通过研究时频分析方法、时频图像特征提取方法以及针对多分量雷达信号的多标签分类方法,提出一种在低信噪比环境下识别准确率高、适应雷达信号类型范围广的多分量雷达脉内调制识别算法。本文的主要研究内容如下:首先,为了提升多分量雷达信号环境下的时频分析效果,本文提出利用基于多核函数的Cohen类时频分布方法获取多分量雷达信号的时频图像。首先根据不同脉内调制方式的雷达信号在模糊域的能量分布特性,设计多个具有针对性的核函数,然后基于这些核函数获得多张时频图像,最后结合曝光融合算法对多张时频图像进行融合。仿真结果表明,本文设计的核函数能够提升某些雷达信号在时频图像中的时频聚集性,通过曝光融合算法得到的融合时频图像保留了多张时频图像中信号能量的主要特征,并获得了良好的时频分析效果。其次,针对多分量雷达信号的时频图像特征提取问题,本文基于卷积神经网络结构设计了时频图像特征提取网络。本文根据时频图像输入设计了特征提取网络卷积部分的网络结构,另外,针对多分量雷达信号的识别问题,对卷积神经网络的输出部分进行扩展,获得识别系统的初步识别结果,同时实现对时频图像特征提取网络的训练。仿真结果表明,识别系统获得了良好的初步识别性能,同时表明训练得到的特征提取网络对雷达信号的时频图像数据获得了良好的适应性。最后,为了进一步提升识别系统针对多分量雷达信号的识别性能,本文基于循环神经网络设计了多标签分类网络的内部结构,并基于强化学习对网络进行训练。首先通过识别系统的特征提取部分获得雷达信号对应的特征向量,然后将特征向量作为多标签分类网络的输入,通过网络模型计算输出各雷达信号类型的奖励值,并选择具有最高奖励值的雷达信号类型作为当前雷达信号分量的识别结果,最后通过循环神经网络的多次迭代过程获得本文识别系统的最终识别结果集合。仿真结果表明,通过结合多标签分类网络能够有效提升识别系统的识别性能。本文提出的多分量雷达信号脉内调制方式识别方法实现了8种典型雷达信号随机交叠形成的多分量雷达信号的识别,在低信噪比环境下获得了良好的识别性能,同时本文识别算法对单分量雷达信号的识别问题也具备适应性。