雷达信号分选在信息化时代有着重要的研究意义,特别是在电子战中扮演着重要的角色。深度学习技术的飞速发展为雷达信号分选的研究带来了创新性突破的可能。为了观察雷达信号的位置特征从而更好地对雷达信号进行分选,本文提出了一种基于U-Net图像语义分割的雷达信号分选方法,该方法的核心思想是把混合的雷达信号绘制成图像,再利用U-Net网络模型对图像进行语义分割,从而完成雷达信号分选任务。首先,本文从雷达信号分选的现实意义出发,介绍了雷达信号分选在军事应用方面的作用和传统的雷达信号分选算法,论述了现阶段国内外雷达信号分选的研究现状。传统的雷达信号分选算法或是只针对某一类型的雷达信号能达到分选的目的,或是只能在在特定环境之下能分选雷达信号,有很多局限性。其次,介绍了图像语义分割的两大类方法,分别是传统图像分割方法和基于深度学习的图像分割方法,重点介绍了几种深度学习的图像分割法并对其优缺点进行了总结。然后,本文提出了一种基于U-Net图像语义分割技术的雷达信号分选方法,根据雷达信号的脉冲重复间隔(Pulse Repetition Interval,PRI)的频次矩阵绘制雷达信号图像,根据标注矩阵绘制标注图像,并对传统U-Net网络进行了改进,用改进的U-Net网络模型对雷达信号图像和标注图像进行训练,再用不同的雷达信号图像对模型进行测试,生成雷达信号分割结果图。最后,本文采用三组不同的雷达信号模拟数据进行实验,分析了实验结果,验证了本文提出的雷达信号分选方法在分选信号时的效果,总结了当前模型的不足以及日后要继续研究的工作,并对其进行了展望。