随着信息时代的到来,通信成为人们生产生活不可缺少的工具。超宽带和超窄带技术应用越来越广泛,其中多数调制方式属于非对称调制。短波信道是一种古老又经典的信道,在军事领域备受关注、应用广泛,属于时变多径信道。目前非对称调制经过短波信道后的解调结果差强人意,本文尝试将粒子群优化算法与人工神经网络相结合以及利用深度学习中的卷积神经网络和其变种算法,以解决时变多径信道下多元位置相移键控(M-ary Position Phase Shift Keying,MPPSK)的解调问题。首先,重点研究了非对称调制技术中的MPPSK,对经典的MPPSK调制、改进的MPPSK调制和双极性脉冲MPPSK调制从时域和频域角度进行了分析,给出了MPPSK调制器的两种设计方法:查找表法和开关法。其次,针对MPPSK短波信道传输系统模型,分别研究了基带成形滤波器的设计原理与时频输出,探究了短波信道的传播方式、数学模型、标准信道和输出结果,给出了相干解调和非相干解调两种接收方案。第三,将粒子群优化算法与人工神经网络相结合,设计基于PSO-NN的短波信道MPPSK信号解调器,并对其影响因素进行了细致的研究。大量的仿真结果表明,PSO-NN结合了粒子群优化算法与人工神经网络的优点,克服了神经网络收敛速度慢和易于陷入局部最优的缺点,在解调性能上优于传统的门限检测和经典的神经网络判决方式;多码元联合解调性能优于单码元解调;判决性能随着发送带宽的减小和码率的升高而下降;传输函数和误差函数的选择对网络性能影响也较大,Leaky-ReLU传输函数和交叉熵误差函数的网络训练结果明显高于其它。最后,利用深度学习中的卷积神经网络及其变种卷积自编码网络和卷积循环神经网络,设计基于DL-CNN、DL-CAE和DL-CRNN的短波信道MPPSK信号解调器,并进行了大量仿真实验。结果表明,深度学习算法能够挖掘数据更本质的特质和发现数据更内在的联系,解调性能优于其它传统方式和浅层网络。多码元联合解调的性能优于单码元解调,且判决性能随发送带宽的下降和码率的提高而降低;网络层数和卷积核大小对判决性能也有影响,网络层数为8、卷积核大小为49时,更适合短波信道MPPSK信号的解调;单频干扰的频率与系统调制频率差值越大,CNN抗单频干扰的能力越好。