现代社会的通信技术发展飞速,通信环境变化复杂,为了提高频带的利用率以及保证传输可靠性,需要采用多种不同的调制方式。因此,如何对这些信号进行高效的检测和识别的研究,在军民两个领域中都有着无数人在探索和求知。通信信号调制模式分类研究的目的就是,要在多种调制信号同时传输的背景下,能够对接收到的通信信号的调制模式进行正确的识别。本文利用信号的循环谱特征的优点与CNN架构在分类上的优势,研究了对数字通信调制信号的识别。首先,介绍了常用的通信信号调制方式,接着介绍了基于CNN的调制识别架构以及其相关理论,其主要从人工神经元、CNN求解以及卷积层和下采样层的梯度计算等几个方面进行介绍的,并且还介绍了softmax回归。之后介绍了循环谱理论,对循环谱理论的特点及其对噪声的抑制性能进行了分析。其次,根据循环谱的相关理论对通信信号的调制模式进行特征提取及分析,本文主要是对MPSK和MQAM调制信号的循环谱的理论进行推导和仿真实现。之后对调制信号的循环谱图进行了预处理,并组成了原始特征集,作为CNN的输入数据。最后,完成CNN架构识别系统的构建,将调制模式的循环谱图作为CNN的输入数据,通过CNN架构中的卷积层和子采样层对循环谱进行特征提取,从而有效地对调制信号进行类内及类间识别。实验仿真结果表明,本文所提出的通信信号调制模式分类识别算法在低信噪比情况下,调制识别准确率要优于其它传统调制识别算法,且当信噪比SNR在-5dB至5dB之间时,调制模式识别的准确率可高达92%以上。