基于深度学习的通信信号调制识别技术与传统调制识别技术相比,在信道适用环境、识别准确率以及计算复杂度等方面具有更为明显的优势。深度学习技术因其架构的优越性能将成为下一代通信信号调制识别技术的研究热点,因此研究基于深度学习的通信信号调制识别技术具有重要的科研价值。本文完成的主要工作如下:1、研究基于反向传播神经网络的调制识别技术,分析了调制信号的高阶累积量、瞬时特征值等特征参数,阐述了不同信号特征对识别准确率的影响,并进一步研究了多种信道环境中的识别准确率。2、分析深度学习基本框架,实现了对调制信号分类识别框架的构建,探索了不同卷积神经网络(Convolutional Neural Networks,CNN)优化架构对调制信号识别性能的影响,并通过仿真确定了适用于宽带信号调制识别的框架,进一步与传统调制识别方法比较,证明了使用深度学习的方法具有更好的识别准确率、健壮性。3、将深度学习与频谱感知技术进行融合,分析了sub-Nyquist采样下调制识别方法,并设计了大规模通信网络下通信信号调制识别架构,最后通过仿真验证了所设计的架构具有良好的识别特性。