自动调制识别是软件无线电和非合作接收的关键技术之一。近年来,随着现代通信和信号处理技术的突飞猛进,通信信号体制和调制样式日趋复杂和多样,另外,信号传输的环境也变得越来越恶劣,所有这些变化都使得对通信信号识别的要求越来越高,识别难度越来越大。通信信号自动调制识别,特别是非合作接收中的自动调制识别面临的主要问题是:多径信道中的单载波与多载波信号的盲识别;参数估计精度和适用范围很难同时兼顾,获得较好的参数估计性能依赖于一定的先验信息;基于瞬时参量的调制识别方法容易受到噪声和多径衰落的影响;基带信号的调制识别方法受载波频偏和初始相位的影响大等。论文主要研究数字调制信号自动识别技术,包括信号检测、参数估计、特征提取与选择,以及分类器设计等内容,论文工作是作者所在实验室承担的军队某重点科研项目的一个子任务。论文重点致力于较少依赖先验信息的调制类型识别、与调制类型无关的参数估计、对噪声、多径衰落和频偏不敏感的调制特征提取等关键技术的研究。论文的主要工作和创新性成果是:1、针对基于时域的信号存在性检测算法易受噪声影响大的不足,本文提出了自适应的基于自相关函数的信号存在性检测算法,该算法将信号的自相关函数值,重新排序、求商,确定自适应门限,实现信号检测,该算法实现简单、运算量较小,且与调制类型、载波频率和载波初始相位无关。仿真实验表明该方法在低信噪比的性能优于传统的基于能量的检测算法,利用实际信号的测试表明该方法适应非协作接收信号的多样性。2、已有的单载波与多载波信号(OFDM)的识别方法大都针对基带信号,为解决适合中频信号的单载波与多载波的盲识别问题,本文引入Shintaro_K特征实现了单载波和OFDM信号的识别。本文在推导单载波信号与OFDM信号两次小波变换结果方差不同的基础上,提出了基于二次小波变换VAR (|| WT ||)特征的单载波与OFDM信号识别方法。实验结果证实了上述算法的可行性。在加性高斯白噪声信道下和多径衰弱信道下,上述方法与基于高阶累积量的单载波与OFDM信号识别方法进行比较。实验结果表明基于高阶累积量的识别方法需要对信号进行载波频率估计,低信噪比下识别性能不佳,且运算量大。基于Shintaro_K特征参数的分类方法,对高斯白噪声不敏感,运算复杂度最低,但抗多径性能差。基于VAR (|| WT ||)的分类方法,抗高斯白噪声和多径衰弱的能力强。3、为解决非协作通信中的参数估计问题,本文首先改进了基于子空间分解技术的盲信噪比估计算法,采用MDL准则确定信号子空间维数。仿真结果表明,本文提出的基于子空间的盲信噪比估计算法性能要明显优于传统的采用归一化比值算法的基于子空间的信噪比估计算法,该算法不需要人为设定门限值,无需先验信息,受观测数据长度影响较小。本文为了改善基于最大似然频偏估计算法估计范围小的缺点,利用载波频率粗估计结果对原信号进行移频,提出了扩大频偏估计范围的基于最大似然的频偏估计算法,并利用分段FFT算法,提出了增强精度的频偏估计算法。本文为解决与调制方式无关的符号速率估计问题,针对原基于小波变换的符号估计方法不适合基带成形信号,要求信噪比条件高等不足,提出了一种基于小波变换波形整理的盲符号速率估计算法。该算法采用MAC谱线增强算法,缩小了搜索范围,减少运算量的同时,降低毛刺对MAC谱的影响。仿真实验表明本文所提出的符号速率估计算法适用范围广,估计精度高,运算量适中。4、针对已有文献中对谱线和谱峰特征多以描述性为主,操作性不强的问题,本文给出了Pl ( n)、N l( n)离散谱线特征和N p( n)谱峰数特征的具体定义和提取方法。该方法首先确定谱线检测与谱峰搜索的范围,然后在谱线特征提取中,采用了MAC谱线增强的谱线检测算法,该谱线增强算法削弱了色噪声和频谱起伏对谱线检测的干扰,其次在谱峰搜索中提出了基于二值削波的谱峰搜索算法,该谱峰搜索算法有效地提高了FSK阶数判别的准确性。本文提出的谱线增强算法和波峰搜索算法具有广泛的适用性。本文以上述特征为基础,提出了基于时域、频域、星座图Radon变换特征和决策树(DT)的调制识别方法,该方法采用特征少,判决流程简单。5、针对已有的基于Haar小波变换的调制识别方法存在尺度选择问题,且不适合于基带成形信号的不足。本文提出了基于最优尺度Haar小波变换的调制识别方法。该方法利用调制信号Haar小波变换前后信噪比增益的最大值确定最优缩放尺度。仿真实验结果表明最优尺度下调制信号的Haar小波变换幅度阶梯状和幅度跳变最明显,所提取的Haar小波变换特征识别性能最好。本文在推导FSK、PSK和QAM信号的Morlet小波变换结果的基础上,提出了基于Morlet小波变换的调制识别方法。针对Morlet小波变换运算速度慢的不足,本文采用了快速卷积计算小波变换,提高了Morlet小波变换的运算速度。仿真实验表明与Haar小波相比,Morlet小波变换尺度选择相对简单,抗噪性能较好,且对滚降系数不敏感。6、针对非协作接收信号,无先验知识的问题,本文分析了通信信号独立分量分析(ICA)的可实现性,提出基于ICA的调制识别方法。该方法首先对通信信号进行ICA,利用特征的分类能力γ,选择有效特征子集,采用RBF神经网络分类器,实现调制识别。仿真实验验证了该方法的可行性和特征选择的有效性。为克服ICA算法运算速度慢、难收敛的不足,本文选择将FastICA算法应用到调制特征提取中,将Aitken算法和m步牛顿迭代相结合,提出了加速的M-FastICA算法。该算法在不影响识别性能的前提下,加快了收敛速度。7、针对基于ICA的调制识别方法,要求信噪比条件高的不足,本文提出了在通信信号小波域进行ICA的调制识别方法。在推导通信信号小波域进行ICA可行性的基础上,该方法利用通信信号的小波系数进行ICA,所得到的分离矩阵也是原始通信信号的分离矩阵。仿真实验表明,小波系数与原始信号相比超高斯性更强,基于WTICA的调制特征提取方法具有抗噪声能力强,收敛速度快的优点。