随着信息技术的不断发展,大量新兴宽带无线接入技术已获得广泛应用,作为各种无线电业务开展的基础资源,无线电频谱也逐渐成为世界各国争相占有的焦点。超窄带技术可以高效利用频谱资源,而真正实现超窄带技术的关键在于接收机解调器的设计。目前已有的自适应幅度门限检测方案、基于BP神经网络的解调方案、支持向量机与冲击滤波相结合的非线性检测方案等均各有其局限性,尤其当有严重的码间干扰时,解调性能差强人意。本文创新性地提出了一种将机器学习中的深度学习卷积神经网络应用于超窄带系统的检测判决方法,对码间干扰下基于卷积神经网络的多元位置相移键控(M-ary Position Phase Shift Keying, MPPSK)信号解调做了详细研究。首先,重点介绍了扩展的二元相移键控(Extended Binary Phase Shift Keying, EBPSK)调制及其特例双极性脉冲EBPSK调制,并给出其扩展形式—脉冲MPPSK调制信号的时频特性。其次,针对码间干扰下EBPSK信号CNN判决系统模型,分别详细介绍了发端窄带滤波器的设计原理与作用、超奈奎斯特信号通信原理、系统的加性高斯白噪声传输信道以及接收端滤波器的设计思想和选择。第三,对基于DL-CNN的EBPSK信号解调器及其影响因素进行了细致深入的研究,大量的仿真结果表明,DL-CNN判决器在提高频谱利用率和解调性能的同时,还提升了系统的适应性。CNN判决检测充分学习和利用了EBPSK信号冲击滤波或带通滤波输出波形的整体特征及内在信息,码间干扰越严重,相比于传统的幅度积分判决方法的优势越大,且此时多码元联合判决性能优于单码元判决。另外,CNN网络层次越深,系统解调性能越好。最后,将DL-CNN网络应用于MPPSK信号的解调。通过理论分析与仿真研究发现,码间干扰下接收端采用普通IIR带通滤波器,解调性能优于采用冲击滤波器；双码元联合判决优于单码元联合判决性能,且当Kernel=121时比单码元判决性能提升约9dB。