在通信环境日益密集、信号调制样式层出不穷的情况下,信号的调制识别变得愈加困难。寻求一种精度高、时效性好的自动调制识别新方法,对无线电通信应用领域有重大意义。卷积神经网络因其强大的特征提取能力和学习能力,成为了深度学习领域中的一个研究热点,众多研究人员都尝试将卷积神经网络应用于自动调制识别。但这些算法通常网络结构简单,特征提取能力弱,识别效果不理想,同时网络中参数量大,时效性差。对此,本文在前人研究基础上提出了两种单路卷积神经网络模型RID-CNN(Convolutional Neural Networks Based on Raw In-phase and Quadrature Data)和TFC-CNN(Convolutional Neural Networks Based on Time-Frequency Characteristics)。本文在这两个网络模型中均改用更小的卷积核来提高模型的特征提取效率,降低模型的计算复杂度。其中RID-CNN模型使用信号原始IQ数据作为模型输入,并且去除了传统方法中的全连接层,能够在保证模型识别效果的同时大量减少模型参数。而TFC-CNN模型则是使用了信号时频图作为模型输入。本文在网络中设计了一种新型TFC结构,该结构通过更改模型不同卷积层之间的联结方式来提高模型的特征提取能力,进而提高模型的识别效果。针对单路卷积神经网络无法充分地提取数据信息和全面地学习数据的调制特征的问题,本文还提出了一种双路卷积神经网络DP-CNN(Dual Path Convolutional Neural Networks)。该模型结合了RID-CNN和TFC-CNN两种模型的特点,能够同时提取信号原始IQ数据和时频图中的调制特征,进而获得更高的识别精度。同时本文在所有网络模型训练的过程中使用了正则化、批归一化(Batch Normalization)等多种优化方法使得模型训练更加稳健,防止模型出现优化问题。实验结果表明,本文所提RID-CNN、TFC-CNN模型不仅有较好的时效性,还有着优越的识别性能。本文所提的DP-CNN模型不仅有着较低的计算复杂度,同时还能够实现高精度的自动调制识别。