海洋信息化在国家信息化中具有重大战略意义,是我国未来海洋事业发展的首要推动力和强大支撑。水声通信技术作为海洋信息获取和传输的核心技术需要进一步研究发展。然而,水声信道复杂多变,单一的调制方式无法适应多变的水声信道。使用自适应编码技术可以根据信道状态选择最优的调制方式,提高数据传输效率,但水下噪声干扰严重,极易导致握手信号出错,因此,在复杂海洋环境下准确识别水声信号调制方式尤为重要。目前水声信号调制方式识别算法多是基于模拟水下环境进行研究,为了保证算法在实际通信中的有效性,本文基于课题团队2020年在南海收集的水声信号数据集,研究基于深度学习的自动调制识别算法,在时域特征提取、空域特征提取和多维度特征融合方面对现有网络模型进行改进,提升了深度学习识别模型的识别性能。本文主要创新工作如下:（1）针对传统网络结构简单,难以拟合信号特征与调制方式内在联系的问题,本文基于南海实测数据集,构建了针对时域特征提取与空域特征提取的改进网络模型。首先,本文基于时域特征角度,针对传统门控循环单元（Gated Recurrent Unit,GRU）中,信号只能够在更新门和重置门中交互,信息利用率较低的问题,对GRU进行相应改进,在输入和隐藏状态输入GRU的更新门和重置门之前引入交叉计算,交叉计算融合输入和隐藏状态的信息,增强了输入和隐藏状态之间的信息表示,增强信息利用率;其次,本文基于空域特征角度,对传统残差网络（Residual Network,Res Net）模型进行改进,设计了一种多层残差网络,以实现对不同层次特征的提取,然后使用注意力机制对各残差块的输出特征加以分析,充分利用信号的全局信息提高特征的表达能力,降低了冗余特征对信号识别的影响。改进后GRU网络模型识别准确率可达94.06%,相比改进前GRU网络模型精度提升了3.12%。改进后Res Net网络模型识别准确率可达93.75%,相比改进前Res Net网络模型精度提高了5.31%。试验结果表明改进时域特征和空域特征可在一定程度上提升模型精度。（2）针对单一特征提取难以有效表达水声信号调制特征的问题,本文提出了一种基于时空特征融合的G＆R（GRU and Res Net）融合模型,根据时域特征和空域特征之间的关联性和互补性,设计一种基于时空特征融合策略算法。该算法充分考虑了单一特征提取固有的缺陷,通过特征融合的策略增强了特征有效性,为网络模型识别水声信号调制方式识别提供了充足的特征信息。试验结果表明:G＆R融合模型在识别准确率上达到了98.43%,较改进前GRU网络模型精度提升了7.49%,相比改进前Res Net网络模型,精度提升了9.99%。与改进前网络模型相比,G＆R融合模型具有更高的识别精度,在识别性能上有较大提升,适用于精度要求较高的场合。综上所述,本文在水声信号调制方式智能识别领域进行了相关研究,分别研究基于时域、空域特征的特征提取方法与高效特征融合策略,提出了一种基于时空特征融合的G＆R融合模型,基于实测南海数据集验证所提模型的性能,该模型更适用于识别精度要求高的场合。本文成果为我国海洋信息技术发展提供了理论支持,特别是提高水下无线数据传输技术可靠性,为服务国家海洋战略、海洋经济、海洋安全提供重要支撑,具有一定的理论意义和应用价值。