随着无线通信技术的发展和电磁环境的日益复杂,各种通信方式日新月异。其中,非协作通信广泛应用于电磁信号监测领域,而信号调制方式分类作为信号解调前的必要步骤具有重要意义。在军事应用中,非协作通信模式下的电子对抗与电子侦察还要求调制方式分类系统具有实时性与轻便性。人工智能技术的不断发展使调制方式分类技术有了新的研究方向,特别是深度学习方法的广泛应用,可以凭借其强大的拟合能力实现多种调制方式的分类,同时辅以神经网络模型轻量化技术,可将模型部署到嵌入式边缘设备上以满足实时性与轻便性的要求。本文将基于深度神经网络实现多种调制方式的分类,然后运用神经网络模型轻量化技术提高算法的执行效率,最终搭建具有应用价值的、基于边缘设备的调制方式分类系统。针对多种调制方式的分类任务,本文基于信号的同相正交分量并选择轻量级神经网络MobileNet进行训练,经理论分析和实验验证,得出结论:所获得的模型对不同信源序列生成的调制信号泛化能力较差。因此本文提出一种使用瞬时特征联合分布矩阵表征信号的方法,并同样基于MobileNet训练得到了对信源序列不敏感的网络模型,即使用瞬时特征联合分布矩阵训练的MobileNet在不同信源序列生成的调制信号上同样有较好的表现,紧接着为提高算法准确率,使用MobileNet中分组卷积的思想将ResNet34特征预提取卷积层进行改进,最终通过实验证明,改进后的ResNet34网络拥有比MobileNet和原始ResNet34更高的准确率。为满足边缘设备上算法的实时性要求,本文提出一种自适应温度系数的教师网络单边知识蒸馏算法。以改进后的ResNet34为教师网络,MobileNet为学生网络进行单边知识蒸馏时,相较于原始知识蒸馏方式,该算法能更加显著地提高学生网络的准确率。之后又将剪枝后的改进ResNet34作为学生网络,经过实验验证,因其与原教师网络拥有更相似的参数与结构,因此能够获得更接近教师网络的准确率表现。最终使用单边知识蒸馏的、裁剪后的改进ResNet34网络代替原教师网络以实现算法执行效率的提升。本文最后搭建了基于边缘设备的调制方式分类系统,并将训练好的神经网络模型部署到开发的嵌入式软件中,经过最终的系统测试表明,算法的分类准确率与仿真实验基本一致,且满足实时性要求。本文的理论和成果最终应用到国家重大仪器研发专项课题——非法电磁信号监测与分类识别技术开发及应用中,达到相关要求。