脉内分析技术是电子对抗中的一个重要研究领域。通过对截获的敌方信号提取特征,并进行调制方式识别和参数估计,可以对敌方进行有效的侦察和干扰,取得电子战中的主动权。然而,随着无线通信技术的迅猛发展,如今调制信号的类型多种多样,其参数也复杂多变,这无疑给调制方式识别增加了难度。深度学习作为人工智能的重要发展方向,已在语音识别、图像识别以及图像处理方面取得了突破性进展,并在各方面得到了广泛应用。因此,将深度学习与脉内分析技术相结合,提高在低信噪比下对信号的识别和估计性能是该领域发展的必然趋势。本文首先针对信号在时域上存在重叠的问题,提出了一种信号分离算法。然后,结合信号的瞬时频率特性,提出了一种基于深度学习的调制方式识别算法。具体内容概括如下:1)介绍了几种常见的参数估计算法,包括信噪比估计、正弦波频率估计、码元宽度估计等。针对MPSK、LFM、Costas等信号,本文介绍了低信噪比下的相位展开算法和瞬时频率估计算法,并研究了不同调制信号的瞬时相位和瞬时频率特性。2)针对信号加噪标准不一致的问题,本文分析并研究了两种不同加噪方式的优缺点以及对实际性能带来的影响。3)针对信号在时域会存在重叠的问题,本文提出了一种基于重构滤波器组的信号分离算法。通过对信号采取信道分离、脉冲提取、信道融合、信号重构步骤将原始时域存在重叠的多个信号进行了分离与重构。本文对以上几个步骤分别作了阐述与仿真,并简要介绍了实现和优化方法。4)对于多种调制信号,为了提高在低信噪比下的识别效果,本文将卷积神经网络（CNN）与瞬时频率相结合,研究了基于CNN网络的调制方式识别算法。本文选取了 LFM、MPSK、Coastas等11种调制信号,并利用两层CNN网络以及GooLeNet网络对上述信号的瞬时频率图像进行识别。通过调整模型的学习率、卷积核大小等参数,取得了较好的识别效果。从而针对调制信号的识别问题,为卷积神经网络的最优模型设计提供了一定的参考。