随着现代数字通信系统的广泛应用,信道编码参数盲识别的重要性也日益凸显。信道编码参数的盲识别,是在对接收或截获的数据几乎没有任何先验信息的前提下,对接收或截获到的数据进行编码类型和编码参数的识别,从而为后续的信道译码以及进一步的信号与信息处理奠定基础。卷积码属于信道编码的一种,与线性分组码相比在相同码率下性能更加优异且应用广泛,在自适应智能通信、军事侦察和电子对抗等领域,卷积码参数的盲识别都发挥着至关重要的作用。深度学习是现阶段的一个热门研究方向,并已在许多应用领域成功实现,深度学习在通信系统中的应用有探索的必要。本文研究了卷积码在高斯噪声信道中的盲识别,从基于硬判决和软判决两方面进行卷积码识别研究。基于硬判决的卷积码识别,提出将卷积码特征图与深度学习算法相结合实现卷积码参数识别。实验分析了基于矩阵IP变换的码字处理方式,总结了该算法的优劣势。在此基础上提出基于高斯列变换的特征提取方式,对比两种特征提取方式下的最优算法,基于高斯列变换的AlexNet算法识别性能最优,在误码率为0.02时仍具有80%的识别准确率。另一方面,本文利用接收到的软判决信息结合深度学习技术解决卷积码参数识别问题。主要研究了基于TextCNN以及ResNet模型进行卷积码识别的方法。针对基于TextCNN模型的识别算法易受词构造长度影响识别效果不佳以及基于ResNet模型的识别算法计算复杂度过高的不足,提出了基于改进一维AlexNet（One-dimensional AlexNet,DAN）的卷积码识别模型。分析了输入样本长度、卷积层数等因素对模型识别性能的影响。对比分析不同算法的识别性能,当信噪比大于18d B后,所有算法的识别性能达到90%以上。在信噪比为2d B时,本文提出的DAN算法识别准确率比传统算法识别准确率高70%,比TextCNN算法识别准确率高16%。在信噪比小于6d B时,DAN算法识别性能优于ResNet算法并且通过对比模型的训练时间和测试时间发现DAN算法在计算复杂度上相比ResNet算法降低了近五倍。因此本文提出的DAN算法具有更高的识别准确率、更低的计算复杂度,且相比于传统算法,实现了全自动一体化的参数识别功能。