随着通信技术的迅速发展,其涉及的领域也越来越广,以模式识别为基础的通信信号调制模式识别技术是软件无线电领域中的重要研究课题,经过多年的研究和发展已经取得了很多研究成果,但是在对于大动态信噪比环境下的通信信号调制模式识别一直无法取得较好的效果,同时采用人工进行特征筛选的方式会增加很多工作量。本文从对与通信信号特征的噪声鲁棒性入手,研究在信噪比动态快速变化的情况下依然具有良好分类能力的通信信号调制模式识别方法。本文首先对于所涉及到的10种调制信号即MASK,MFSK,MPSK以及16QAM信号进行了分析说明,之后我们分别提取了通信信号的瞬时信息特征,统计量特征以及变换域特征,使用提取出的信号特征组成了原始特征集。其次,通过对深度信念网络(Deep Belief Network,DBN)分析和研究,应用DBN网络对原始特征集进行了提取,不但获得了具有噪声鲁棒性的特征集,同时排除减小了特征的维度,提高了计算速度。经过后的特征集的特整体数量被缩减到了4个,并且这4种特征随噪声幅度的变化较小。然后使用SVM算法以及深度学习神经网络对经过筛选的特征进行分类,并与其他文献中的结果进行对比实验。实验表明使用SVM分类器在0d B-20d B信噪比环境下信号的分类正确率可达99%以上。最终本文从特征筛选入手研究了一种在信噪比动态快速变化的情况下依然具有良好分类能力的通信信号调制模式识别方法,并验证了其有效性。