调制识别是介于信号检测和解调之间的一种非协作通信识别技术,其主要任务是实现对已调信号的智能接收、处理和分类。数字信号识别的准确性关系到国计民生的多个方面,在民用领域调制识别可以实现无线电频谱管理和智能化控制,在军事领域可以实现对敌方情报的监测并保护国家信息安全,经过多年的研究已经获得了许多成果。随着调制方式和信道环境复杂度的提升,如何在低信噪比下精准识别各种调制方式成为一个重要问题。因此,面对未来要迎接的挑战,结合新技术新方法对其进行改良和优化,始终是国内外研究的热点。近年来深度学习发展十分迅速,其具备优越的大数据处理能力和良好的分类能力,在各个领域都得到了广泛的应用,如计算机视觉、图像处理、语音识别等,并且均取得了突破性的进展。对于无线通信领域中的调制识别而言,深度学习算法也有了初步的应用。鉴于神经网络存在一些缺陷,需要采用一些优化算法对其进行改进。本论文主要研究面向数字调制识别领域的高效深度神经网络算法,致力于为调制识别领域提供一种更有效的新方法,使通信变得更加智能化。与传统算法不同,本文采用深度神经网络架构结合调制信号特征提取,利用特征矩阵对神经网络进行训练学习,从而构建一个更加智能的无线通信数字调制识别模型。本文的研究内容主要包含以下几个方面:（1）数据预处理。本文对加噪的数字信号提取了12维特征参数,不但降低了原始数据的维度,提高了计算速度,同时帮助神经网络更好的训练以达到更高的精度。（2）数字调制识别模型构建。深度神经网络存在过拟合、易陷入局部极值及隐层节点数选取不固定问题,因此本文采用粒子群优化算法等两种方法对深度神经网络进行优化,仿真实验表明,在对多进制相移键控及正交幅度调制等6种常用调制信号进行识别时,两种优化后的深度神经网络分类算法均取得了较好结果。经过粒子群优化的深度神经网络总体识别准确率均高于传统算法,在信噪比为1d B时相比传统的深度神经网络及支持向量机识别方法识别准确率分别提升了8%和8.8%;经过Dropout优化的深度神经网络相比传统方法的识别准确率也有所提升,计算时长也有所降低。（3）实验参数分析。本文进一步分析了不同实验参数对实验结果的影响,仿真模拟得到适合于本实验的参数值。实验结果有效证明了文中提出的方法在加性高斯白噪声信道环境下具备较好的性能,且为数字调制识别领域提供了一种具有鲁棒性、更高效的方法,具有一定的指导意义和应用价值。