无人机具有体积小、机动性强、隐蔽性好等优点,使得其特别适合于雷达侦察。雷达信号分选作为雷达侦察的关键技术,对截获的雷达脉冲序列去交错,为雷达识别、定位和威胁评估等提供基础。但是电磁环境的复杂化和单接收机侦察性能的局限性给雷达信号分选技术带来了困难,仅使用单个侦察接收机截获并独立分选雷达信号难以满足现代战场信号分选需求,因此研究多接收机协同侦察背景下的雷达信号分选技术具有重要战略意义。本文在多站雷达信号时差分选方法基础上,以同一雷达脉冲参数的相似性为依据,建立多接收机截获脉冲序列之间的关联,引入云模型和K-means聚类算法实现多接收机协同信号分选。本文主要研究内容如下:（1）本文针对现有多站时差分选方法在复杂电磁环境下虚警率高,且剔除所有配对失败脉冲导致有效信息丢失的问题,提出了一种基于云模型的多站雷达信号时差分选方法。首先对多接收机截获的雷达脉冲进行配对并完成多站时差粗分选;然后运用云模型计算各配对成功脉冲集合在时差、脉宽和载频参数维度上的隶属度,合并来自同一雷达的脉冲集合;最后计算失配脉冲与合并后的脉冲集合在脉宽、载频和带宽参数维度上的隶属度,归类失配脉冲,完成细分选。本文通过引入云模型合并时差分选结果中来自同一雷达的脉冲集合降低了虚警率,同时准确归类了能建立关联的失配脉冲。与现有多站时差分选方法的仿真结果对比,本文方法的脉冲处理正确率提高了21.57%,虚警率降低了33.33%。（2）为了充分利用所有不能建立关联的脉冲的有效信息,使用基于数据场的点对称K-means聚类方法进一步处理云模型细分选后的剩余脉冲。首先利用数据场剔除剩余脉冲中的干扰脉冲并获得聚类数目和初始聚类中心;然后计算脉冲到各个聚类中心的点对称距离,将其划分到距离最近的脉冲集合中,完成无法建立关联的雷达脉冲分选。仿真实验表明,与K-means算法相比,本文方法不仅消除了干扰脉冲对聚类的影响,还能获取初始聚类中心和聚类数目,避免聚类结果陷入局部最优,并且能较好地处理存在交叠的雷达脉冲集合。本文通过引入聚类算法完善云模型细分选结果,能有效处理无法建立关联的失配脉冲,其脉冲处理正确率提高了20.68%,漏警率降低了19.88%。