在无线通信技术蓬勃发展的今天,各种无线电收发设备已经普及到各行各业。大量不同用途的通信信号在电磁空间中相互交叠,构建出越来越复杂的电磁环境。为了能够更好地监测和识别无线通信信号,认知无线电技术应运而生。对于认知无线电技术来说,调制识别技术是关键技术之一。针对传统基于决策或特征的调制识别方法中存在的问题,本文提出基于深度神经网络的识别方案。针对实际应用中需要即时、快速识别信号调制类型的要求,本文提出使用FPGA实现调制类型识别网络。针对FPGA由于资源受限无法部署神经网络的问题,本文使用轻量化方法以及量化操作对神经网络进行压缩。针对FPGA平台高并行的优势,本文利用移位寄存器和流水线结构,结合三种并行卷积运算方法,完成了轻量级电磁信号深度学习识别方法研究与实现。本文为后续研究者提供了从轻量化的角度在FPGA上部署神经网络的思路,主要工作与创新如下:1.本文从数据收集的角度出发,设计以AD9361、ARM和FPGA为核心的数据采集系统。首先通过专用软件,生成AD9361的配置寄存器表。然后通过AXI-Lite接口协议实现了FPGA和ARM之间命令的交互。接着基于SPI协议将寄存器信息从FPGA发送给AD9361。最后基于FPGA实现数据采集功能,并对采集到的数据进行了两种处理:（1）使用在线逻辑分析仪（ILA）,将数据导出并整理成多种信噪比下包含12种调制类型的数据集;（2）在FPGA中对数据进行归一化处理,完成后分别截取512个数据作为测试数据输入到卷积模块中。2.基于人工设计轻量型神经网络的思想,搭建了适用于FPGA的Mobile Net电磁信号识别网络;基于压缩剪枝的思想,选择对包含10个残差块的Res Net网络进行剪枝。同时使用三种剪枝算法,并通过5次递进剪枝减少了每一层97%的参数量。最终该网络在5d B以上的信噪比下,保持了90%以上的准确率。针对这两种不同的实现方案,在Matlab上进行识别准确率的仿真对比,选取了性能最佳的网络模型作为在小型化监测节点上部署的网络。针对FPGA不支持浮点数运算的问题,通过欧氏距离检验选取了能最优表达模型的19位量化方案,实现了对参数的量化。3.在实现轻量级识别网络时,使用移位寄存器和流水线思想设计了底层卷积运算单元;为了充分利用FPGA可并行的特点,设计了三种并行运算方案,然后结合FPGA的资源量,确定了每一个卷积层的具体实现方案;为避免出现经过多次卷积运算后,数据长度会无限拓展的问题,本文提出通过Matlab对每一层的输出数据进行分析然后确定每一个数据的最佳截取位宽方案。最后通过12种不同调制类型的信号对FPGA系统进行了验证。