通信信号调制方式识别是非合作信号处理的关键一环,尤其是基于统计模式识别的方法是目前研究热点。在特征提取过程中由于信号频率、相位等先验信息不足,以及外界环境噪声对信号特征的稳定性的影响,使得空间信号的调制识别一直是难点问题。本文围绕抗噪声能力强、需求先验信息少的谱特征提取方法以及信号分类器开展研究。分析了数字调制和模拟调制信号的各类谱特性,包括信号功率谱、二次方谱、四次方谱、包络谱和分数低阶循环自相关谱,提出了能消除了离散频谱“栅栏效应”对检测值影响的基于频谱细化冲激谱线检测算法。该算法在利用检测谱线区域划分的方式来提取特征值,对先验信息要求低。设计了基于决策树分类和基于向量匹配分类的调制识别流程,研究了信噪比参数已知和未知两类情况最优阈值设立问题:在参数已知条件下,利用贝叶斯方法来确定最优阈值;在参数未知条件下,先确定应用场景后,再通过样本估计特征概率密度,然后利用最小风险方法确定最优阈值,最终实现了分类效果好、抗噪能力强的调制识别方法。最后,研究了基于有监督学习方法,将支持向量机和纠错输出编码方法应用于调制识别,采用了信号谱特征作为输入,讨论了一对一、一对多、密集随机阵和稀疏随机阵四类编码矩阵下的分类性能,并从性能仿真和实测通信卫星信号对决策树、向量匹配和多类支持向量机三种信号识别方案进行对比验证,结果表明多类SVM分类方法整体上要优于决策树和向量匹配的方法,在文中数据条件下,识别概率趋近于100%。