随着电子与信息技术的快速发展,电子侦察已经成为影响战争走向的关键因素。电子侦察在电子战的过程中承担着非常重要的任务,比如截获敌方辐射源信息、战场侦察等,均需要电子侦察的配合工作。而对于战场上产生的越来越多的新体制相控阵雷达不同工作模式的识别显得更为重要。本文主要研究基于机器学习的雷达脉冲分选识别问题。本文深入相控阵雷达的各个工作模块,基于各模块工作流程产生电子侦察系统截获的雷达不同工作模式的脉冲描述字。通过聚类算法对产生的数据集进行聚类的预处理,完成混合雷达脉冲的稀释和单部雷达脉冲提取工作。最后结合基于神经网络的自编码器和分类器完成信号分类。首先,基于相控阵雷达的工作流程对其天线模块、波位编排模块、资源调度模块等模块进行模拟仿真。建立相控阵雷达在不同工作模式（边搜索边跟踪、搜索加跟踪）脉冲描述字特征维度的模型,作为后续脉冲分选识别的基础。其次,利用聚类算法对相控阵雷达不同工作模式和传统雷达的脉冲数据集进行复杂脉冲流的稀释和预处理。文章中分别研究了K-means聚类方法和基于邻域密度网格的聚类方法,并通过实验对聚类算法的选择、特征参数和先验信息等方面进行讨论。最终选择脉冲宽度、脉冲到达角度特征利用基于邻域密度网格聚类算法进行单部雷达脉冲提取工作。最后对聚类结果进行进一步分析,由于相控阵雷达不同工作模式特征交叠严重,因此将脉冲序列按照时间排序并采用加窗的方式进行窗口划分,对每个窗口内脉冲的各维特征分别进行取均值或者归一化处理形成特征矢量。通过基于神经网络的自编码器进行数据降维和进一步的特征提取,送入分类器进行分类识别。对比分析了Softmax分类器和SVM分类器的分类效果,最终选择Softmax分类器作为优选分类器。经实验验证可以达到94%的识别率。