Con una mejora en el rendimiento de los radiotelescopios, el número de candidatos a púlsares ha aumentado rápidamente, lo que hace que la selección de señales valiosas de púlsares entre los candidatos sea un desafío. Es imperativo mejorar la eficiencia de reconocimiento de púlsares. Por lo tanto, resolvimos este problema desde la perspectiva del procesamiento inteligente de imágenes y se propuso en este documento un modelo de red neuronal profunda AR_Net. Se utilizó un solo subgrafo de fase temporal o subgrafo de fase de frecuencia como base de juicio en el modelo de reconocimiento. Los bloques de convolución se pueden obtener combinando el módulo de mecanismo de atención, extractor de características y conexión residual. Luego, se superpusieron diferentes bloques de convolución para constituir el AR_Net y filtrar púlsares. El módulo de mecanismo de atención se utilizó para calcular el peso a través de una red neuronal feedforward adicional e identificar las características importantes en la muestra por peso, por lo que se mejoró la capacidad del modelo para aprender información crucial. El extractor de características se utilizó para obtener las características de alta dimensión en las muestras y se introdujo la conexión residual para aliviar el problema de degradación de red e intensificar la reutilización de características. Los resultados experimentales muestran que AR_Net tiene un F1-score, recall y precisión más altos, y nuestro método produce un resultado competitivo en comparación con los métodos anteriores.