调制信号分类指识别和分类所有接收信号的调制模式,以保证能够准确地解调信号,从而判断发送信号的类型,该技术已经广泛应用于军用和民用领域。近年来,深度学习以其出色的数据表达能力被应用到通信领域,实现了调制信号自动识别和分类。现有基于深度学习的调制信号分类大多是基于中心式和去中心式,但这些方法都不适用于子网共存且数据类型不匹配的异构无线网络（Heterogeneous Wireless Network,HWN）。基于此,本课题开展面向异构无线网络的中心式和分布式调制信号分类。论文具体包含三部分内容:（1）基于中心式学习方法的HWN调制信号分类。卷积神经网络（Convolutional Neural Networks,CNN）和长短时记忆神经网络（Long Short-term Memory Networks,LSTM）已被证明是用于识别和预测问题的主要人工神经网络。论文通过对神经网络的研究、目标函数的设计、优化器的设计以及对数据拟合的分析,构建5层的CNN模型结构。再和同网络参数的LSTM作对比,利用中心式学习的方法对HWN中的13种调制信号做分类。仿真结果表明,无论是性能还是复杂度,CNN都比LSTM更适用于HWN调制信号分类。（2）基于分布式学习的HWN调制信号分类。将基于深度学习的调制信号分类与分布式学习相结合,使用分布式训练具有提取特征能力强的CNN。在分布式学习中,子网的数据保留在本地,子网与参数服务器之间仅需传输模型权重,参数服务器将子网上传的模型权重通过模型聚合算法合成全局模型。仿真实验表明,基于分布式的调制信号分类可以有效解决HWN数据类型不匹配的问题。和中心式方法相比,具有相似的收敛速度,能够在损失少量精度的情况下大幅度的缩短计算耗时。模型权重的大小通常比数据集的大小要小得多,意味着通信开销会降低很多,从而使得调制信号分类技术可以应用到计算能力较弱的子网中。（3）影响分布式学习性能的因素分析。论文讨论了分布式学习的收敛性,加速性和泛化性,还分别研究子网个数、通信轮数和子网参与度对分布式学习性能的影响。仿真结果表明,分布式学习的性能会随着子网数的增加而增加,合适的通信轮数不仅可以节约通信成本,还可以有效的提高分类性能。另外,当性能差、效率慢的子网不参与全局模型的训练,可以一定程度上提高性能和效率。