雷达辐射源信号分选是电子战与信号处理领域的核心环节，旨在从复杂电磁环境中分离出不同雷达辐射源的脉冲序列，为后续调制识别与功能分析提供基础
现有雷达信号分选通常分为预分选 和主分选两个阶段。
预分选主要基于射频（RF）、脉宽（PW）、到达角（DOA）等多维特征，采用聚类算法对混杂脉冲流进行初步分离，以降低主分选阶段的计算复杂度。例如，将不同频率或方向的脉冲群初步分离，避免主分选阶段因数据过载导致计算效率下降。
主分选则依托到达时间（TOA）这一一维特征，通常包括脉冲重复间隔（PRI）估计与脉冲序列搜索两个步骤，进一步实现对各雷达脉冲序列的精确分离，为后续的调制识别与功能分析提供支撑，完成脉冲的最终分选。
PRI估计：分析脉冲间的时间间隔规律，识别固定PRI、抖动PRI或参差PRI等模式。
脉冲序列搜索：根据PRI估计结果，在时间轴上匹配对应序列，完成雷达脉冲的精确归属。
预分选和主分选的创新思路如下：
当前传统雷达信号分选方法在实际应用中面临诸多挑战，如噪声干扰、脉冲丢失、杂波干扰、抗PRI抖动能力不足以及对参差信号的分选效果较差等问题。为此，可在传统方法的流程基础上进行改进，或引入新的分选策略以规避上述限制。相比之下，基于深度学习的分选方法可结合雷达信号的调制特性，灵活选取并组合不同网络模块，深入挖掘信号的周期性特征及潜在规律，从而实现更高效、鲁棒的分选效果。