信号的调制编码盲识别即在未知信号先验信息的情况下,基于信号的原始信息对接收信号的调制编码类型实现准确识别,为后续的信号参数分析和解调译码工作提供依据,在自适应调制编码系统及军事侦察等非协作通信领域中发挥重要作用。深度学习技术基于数据驱动,能够有效提取样本中深层次的特征,为编码调制识别方向提供了全新的思路。本文将深度学习技术应用到调制编码盲识别领域,实现对无线电调制编码信号的精准识别,论文主要研究内容如下:（1）针对当前卷积神经网络在信号盲识别中存在模型体积大、运算量高等问题,提出了一种基于轻量型模型AG-CNN（Attention and Ghost Convolution Neural Network）的调制识别方法,该方法首先将调制信号映射至复空间,并根据归一化点密度对映射点进行颜色增强处理,输出高阶特征密度星座图作为训练样本,利用训练好的模型对调制信号进行识别。AG-CNN模型基于双注意力机制与Ghost模块,其中使用双注意力机制能够聚焦信号的重点信息,在参数量较低的情况下聚焦更具有区分度的特征,Ghost模块利用分组卷积能够减少模型参数量,大幅降低计算复杂度。实验表明,AG-CNN模型对散点为10000的密度星座图识别率在99.95%以上,与相同层数的CNN模型相比,卷积层参数量压缩6.01倍,计算量压缩6.76倍,在与VGG-16、Inception＿V3、Res Net-50、Shuffle Net、Efficient Net等卷积神经网络模型对比中,参数量与浮点数运算数下降明显,且在大幅节省学习参数量、降低模型复杂度的情况下,表现出优秀的分类性能。（2）针对传统卷积神经网络难以提取信号深层次时序特征的问题,依据卷积码的马尔可夫性,提出了一种基于时序卷积网络（Temporal Convolution Network,TCN）的卷积码参数识别方法,该方法将卷积码作为时间序列处理,把已知类型的编码序列作为TCN模型的输入进行监督学习,根据训练好的模型对信号进行闭集识别分类。TCN模型通过使用膨胀卷积、因果卷积等结构,能够有效提取卷积码的时序特征。实验结果表明,当信噪比大于5d B时,单一参数类型与混合参数类型平均识别准确率分别大于99.60%、99.50%,且在相关算法对比中有较好识别表现。该论文有图44幅,表9个,参考文献61篇。