数字信号的调制和解调在通信系统中起着重要作用,随着社会的信息化发展,对多种类型信号进行智能化处理的需求应运而生。本文提出了一种基于机器学习方法的数字信号智能接收机,利用神经网络对未知调制信号进行调制识别及解调。作为一种自适应解决方案,该接收机在保证了良好的解调性能的同时,提高了接收系统的灵活性,具有理论研究意义与实际应用价值。本论文的主要工作由数字信号的调制方式识别与解调两部分构成,通过仿真分析系统模型的识别及解调性能,证明智能接收方案的可行性。首先,针对数字信号的调制方式识别,本文借鉴了Inception网络与残差网络模型的结构优点以及LSTM网络时序建模的特点,从局部特征提取与时序建模相辅相成的角度设计实现了SigNet网络模型。通过引入高阶累积量来扩充信号数据维度,以提高识别准确率。仿真结果表明,针对六种数字信号,SigNet模型的识别准确率随信噪比增加而提高,在AWGN信道下Eb/N0=12dB时达到96%的识别准确率。与目前广泛应用于调制识别的卷积神经网络模型相比,本文提出的SigNet网络模型能够达到约3%的准确率提升。其次,本文设计实现了数字信号通用解调模型,针对不同的调制方式选择对应网络参数对接收信号进行解调。仿真结果表明,在理想AWGN信道下,解调模型的性能与最佳接收机性能相符;在瑞利衰落信道下,通过导频符号在训练数据中的引入,解调模型的性能达到相干解调的误码性能。最后,本文对混叠信号进行了解调尝试,并假定混叠信号由两种己知调制方式的数字信号叠加而成。结果表明,当混叠信号调制阶数较小时,其解调性能相对较好;随着信号调制阶数的增加,解调性能逐渐下降。