自动调制分类(Automatic modulation classification,AMC)是在没有先验信息的情况下对接收信号的调制类型进行判别,是信号检测和解调之间不可缺少的复杂机制,广泛应用于军事和民用通信领域,如认知无线电、自适应调制和编码、频谱监视和电子战系统等。在实际通信场景中,由于各种自然源和人为源噪声的存在,使得加性噪声在统计意义上往往表现出脉冲特性,可以建模为Alpha稳定分布噪声。这使得应用在高斯噪声中的传统AMC算法在Alpha稳定分布噪声环境时,性能出现明显恶化。本论文在Alpha稳定分布噪声的背景下,研究并提出了一种新的基于广义二阶循环谱的图域自动调制分类算法。算法的内容主要包括以下几个方面:1.计算被Alpha稳定分布噪声污染的接收信号的广义二阶循环谱,对信号的广义二阶循环谱建立图域映射,转换到图域上,提取相应图的邻接矩阵,作为提取图域特征的基础。2.提出一种新的图域特征自动构建算法。根据由图表示的广义二阶循环谱邻接矩阵中非零项的KL散度(Kullback-Leibler divergence)值来构建相应的图域特征。利用归一化的汉明距离(Normalized Hamming Distance,NHD)比较测试信号特征序列与训练信号特征序列的差异,实现数字调制信号的自动分类。3.仿真验证了所提出的AMC算法的优越性。在不同的试验条件下,通过仿真研究了采样点数、定时和频率偏移对所提出算法的影响。推导本文提出的算法所需要的计算复杂度。算法的仿真结果表明,当采用循环平稳理论时,本论文提出的分类方法比现有的分类方法具有更好的分类精度。虽然输入信号的定时误差和频率偏移对算法的性能有潜在的不利影响,但是该算法提出了一种系统的特征选择方案,能够选择最容易识别的特征,为自动调制分类技术提供了一种有前途的解决方案。