随着通信技术的不断发展,调制格式识别也逐渐成为通信系统中的一个重要研究方向,无论是在民用上还是军事上都有着广泛的应用。在军事上的电子信息技术战中对未知信号的识别,民用中的大量宽带数据的并行传输都离不开调制格式识别技术。近年来,随着深度学习的迅速发展,将调制格式识别与深度学习相结合的研究方案不但可以提高信号的识别动态范围,还可以简化一些复杂的特征提取算法。本文提出一种基于光学辅助的射频调制格式识别方法。该方法采用深度学习技术,利用射频信号的幅度统计直方图作为神经网络的输入实现调制格式的分类识别。主要研究工作总结如下:(1)提出了一种用于特征提取的光子学方案。首先,根据信号自身的特征,将射频信号调制到光载波上;其次,将光信号通过光耦合器分成完全相同的两路信号并对其中的任意一路做时延处理;接着,将两路信号通过偏振控制器和光电探测器合并成一路信号实现两路信号的包络干涉;最后,利用示波器采集射频信号的采样数据。(2)完成了采样特征信号的预处理。将示波器采集到的数据经过希尔伯特变换、平滑处理、功率归一化处理生成用于神经网络识别的幅度统计直方图。(3)使用不同深度学习算法实现了调制格式识别。根据幅度统计直方图设计常见的神经网络用于信号的识别分类,神经网络包括BP、DNN、CNN、LSTM和CNN+LSTM。实验结果表明,本文所提出的特征提取方案联合五种神经网络,在信噪比-10d B～15d B范围内都能有效的识别本文所采用的五种射频信号。其中联合DNN的识别方案具有相对最优的识别性能,其整体的识别正确率达96.058%,较大的提高了射频信号在低信噪比条件下的识别正确率。