随着人工智能和无线通信技术的不断进步,智能通信被认为是未来无线通信的发展方向。如何将深度学习与无线通信更好的融合,逐步受到学者和业界关注。超宽带作为一种新兴的无线通信技术,在雷达成像、数据传输、测距定位等领域得到广泛应用。本文研究超宽带信道分类和调制方式识别问题,探索可行的深度学习算法并进行实验验证。基于深度学习技术研究超宽带信道分类与调制方式识别问题,首先需要解决数据获取问题。然而,超宽带信号的超高带宽对基于传统采样理论的数据获取方法提出巨大挑战,压缩感知是实现低速率采样的有效方法。本文研究压缩感知与深度学习相结合的解决方案,具体研究内容与成果体现在以下方面:1.为了提升低信噪比区域超宽带信道分类的准确性,分析了基于压缩感知与深度学习的信道分类器架构。通过大量仿真实验,对比分析了观测矩阵、深度网络模型、训练数据信噪比分布等因素对分类准确率的影响。实验结果表明:（1）随机伯努利矩阵具有计算简单、存储量小的特点,有利于降低实现复杂度;（2）全连接网络比卷积网络更有利于提取信道细节信息,可以取得更好的分类准确率;（3）训练样本数据扩增过程中的信噪比分布是影响低信噪比区域分类准确率的关键因素,通过合理控制训练样本信噪比分布范围,可以大幅提升低信噪比区域信道分类准确率。2.为了降低信道分类器计算复杂度,同时提升低信噪比区域分类准确率,提出了一种改进的信道分类器架构。新的分类器架构,通过引入平均降噪模块抑制压缩感知固有的噪声倍增效应,在提高信噪比的同时可大幅降低深度网络模型前向计算次数。平均降噪模块为分类器引入了新的调节自由度,可以根据环境条件与决策层融合模块联合调整,达到优化分类准确率与计算复杂度目的。仿真结果表明,改进的信道分类器架构可以有效降低时间复杂度,在低信噪比区域信道分类准确率有显著提升。3.针对超宽带调制方式识别,首先基于传统数据采集方法和卷积神经网络,设计了基于多符号周期的识别器和决策层融合架构,通过仿真实验论证设计方案的可行性。为进一步降低复杂度,提升识别速度,提出了压缩感知与深度学习相结合的调制识别器方案。通过大量仿真实验,对比分析了两种方案的识别准确率、模型复杂度和计算速度。仿真结果表明,基于压缩感知与深度学习相结合的调制识别器在模型复杂度和计算速度上有显著的优势,且可获得满意的识别准确率。