无线通信信号的调制识别是指在复杂的电磁环境中,当接收端不知道发送端发送的是何种调制模式的信号的情况下,判断出接收到的无线信号的调制方式的过程。无论是在军用领域的电子侦查、电子对抗的场景下,还是在民用领域中需要对可能存在的无线信号进行信号种类鉴别的情况下,及时检测出接收到的无线信号属于何种调制方式,对信号的参数及信源信息的进一步分析,具有重要的意义。然而,随着无线通信领域中的技术日益成熟和复杂,人们很难再单一地通过传统的通信理论和数理统计方法,去提高信号检测器的性能。与此同时,深度学习在计算机视觉及自然语言处理中大放异彩,越来越多的研究者倾向于将深度学习技术应用到各个领域之中,因此,也有学者开始认识到结合传统的通信理论及深度学习技术,将具有很大的前景和应用价值。本文基于深度学习技术,对神经网络架构和无线信号的调制识别进行研究,本文对比了常用的卷积神经网络架构,其中有深度残差卷积网络、改进的卷积神经网络Inception等。我们使用谷歌研究院提出的Xception神经网络模块,构建出一种基于深度可分离卷积神经网络架构的调制识别器SCNN(Separable Convolutional Neural Network),将这种架构用于无线通信信号的调制识别。我们利用SCNN架构以及深度可分离卷积模块,提出了基于SCNN算法框架的无线信号调制识别算法。为了验证模型的准确性,本文使用公开的无线信号数据Radio ML2016.10b作为基准,进行实验测试。实验结果表明,本文所提出的算法在低信噪比场景下具有比传统方法及一般的卷积神经网络具有更高的准确率,在SNR为0d B时准确率可达到87.4%;在SNR为2d B以上的高信噪比场景下具有90%以上的准确率,在多个场景下都可以进行有效的调制识别,识别的准确率高于传统调制识别器。此外,针对SCNN架构响应速度低的缺点,本文提出了一种分布式架构用于部署基于卷积神经网络的调制识别器,该分布式架构基于Flask的Web服务框架,同时借鉴了用于处理海量数据的Map Reduce分布式算法,对无线调制识别器的Web服务进行了并行化计算和容错设计,并最后将该识别器分布部署在阿里云服务器平台中。实验结果表明,在采用分布式算法进行分布式部署后,调制识别器的速度在三台机器上的速度是单机响应速度的1.5倍,在五台机器下的响应速度是单机响应速度的2.4倍,有效改进了SCNN架构的平均效应速度。