El reconocimiento y clasificación de la forma de onda de la señal del emisor son técnicas de supervivencia necesarias en los sistemas de guerra electrónica. Los emisores utilizan diversas técnicas para la gestión de energía y modulaciones complejas intra-pulso, lo que puede crear lo que parece ser una señal ruidosa para un receptor de intercepción, por lo que el reconocimiento de la forma de onda de la señal del emisor a una baja relación señal-ruido (SNR) ha ganado mayor atención. En este estudio, proponemos una técnica de construcción de imagen de características de autocorrelación (ACFICT) combinada con una red neuronal convolucional (CNN) para mantener la característica única de cada señal, y se diseña una optimización de estructura para la capa de entrada de CNN llamada modelo híbrido para lograr una mejora de imagen de la autocorrelación de la señal, que es diferente de utilizar una sola imagen combinada con CNN para completar la clasificación. Demostramos el rendimiento de ACFICT comparando imágenes de características generadas por diferentes algoritmos de preprocesamiento de señales, y los indicadores de evaluación son la tasa de reconocimiento de la señal, el grado de estabilidad de la imagen y el grado de restauración de la imagen. Este documento simula seis tipos de señales combinando ACFICT con tres tipos de modelo híbrido, los resultados de la simulación comparados con la literatura muestran que los métodos propuestos no solo tienen una alta universalidad, sino que también se adaptan mejor al reconocimiento de formas de onda en un entorno de baja SNR. Cuando el SNR es de -6 dB, la tasa de reconocimiento general del método alcanza el 88%.