数字信号调制方式的识别是一类典型的模式识别问题.随着通信技术的发展,数字信号的体制及调制样式变得更加复杂多样,常规的识别方法和理论很难满足实际的需要,这就给数字信号的识别研究提出了更高的要求.该文在研究了各种调制识别方法的基础上,主要研究了基于人工神经网络的数字信号调制识别.由于人工神经网络作为模式识别的工具具有很强的自适应和自学习能力,该文采用了BP神经网络作为模式识别分类器完成调制方式的识别及分类过程,并引入了动量校正法对BP神经网络的收敛性进行了改进,从而改善了BP神经网络的性能.BP神经网络的输入向量是数字调制信号时域的典型特征值构成的向量.该文还提出采用基于多相滤波结构的正交处理器来提取这些特征值的方法,该方法不仅不需要正交本振,而且也降低了后续数字滤波器的阶数.另外,通过对各种数字调制信号进行小波分解,可以得到不同分解水平下的细节信息,而这些信息对不同的调制类别来说具有一定的差别.该文分析了小波变换的抗噪性,并从信号的小波系数中提取出细节特征作为数字调制信号的分类特征,采用辅助式小波神经网络的调制识别方法,将小波细节特征与神经网络相结合对数字调制信号进行识别及分类.这种辅助式小波神经网络调制识别方法对信号的识别能力强,能够克服一般的调制识别方法在待识别信号的信噪比变化较大时带来的识别率明显降低的问题.该文在MATLAB环境下对BP网络识别方法和辅助式小波神经网络识别方法进行了分析,分别用计算机仿真产生的信号和实际采集的数字调制信号对这两种识别方法进行了仿真比较,并利用WT6701PA EVM板构建了一个基于BP神经网络的数字信号调制识别实验系统,仿真和测试结果表明该系统识别率高,实时性好,能够满足实际工程的需要.