随着通信技术的发展,调制方式也越来越复杂多样,为了更充分利用频谱资源,更好地应对通信体制的多元化。论文将深入研究通信信号的特征提取算法及调制识别技术,主要研究成果如下:本文首先使用卷积神经网络、长短期记忆网络完成信号的调制识别;然后引入结构更复杂的卷积长短期深神经网络和多通道卷积长短期深神经网络,以提取通信信号中包含的空间特征和时序关联性特征;而后对多通道卷积长短期深神经网络进行优化设计,确定了学习率、batch＿size、卷积核数目和网络优化算法的最佳取值。通过仿真结果可知,MCLDNN模型的识别效果最好,相比其它网络调制识别准确率提高了2%～10%。本文构造了通信信号的高阶累积量特征和包络特征,设计了通信信号的频域特征和谱特征,提出了对信号特征分段求均值的改进方法,同时构建了SVM多分类器、Ada Boost分类器和决策树分类器,根据提取的信号特征做调制识别。通过仿真结果可知,新特征参数对调制类型区分度明显;分段求均值的方法可较大程度地提高调制信号的整体识别效果;决策树分类器更适用于通信信号的调制识别,且对噪声不敏感,对于低信噪比下的调制信号,其识别准确率也很高。本文在MCLDNN模型中结合使用Finetune思想和网络特征再提取方法,并将该网络模型应用于调制信号识别中。通过仿真结果可知,使用Finetune思想对网络进行权重迁移,可提高网络对低信噪比下调制信号的识别准确率及网络训练的稳定性;使用网络特征再提取方法,可实现对易混淆调制信号的有效识别;将Finetune思想和网络特征再提取方法结合使用,可最大限度地提高网络模型的识别准确率,并在一定程度上解决了神经网络对低信噪比下调制信号和易混淆调制信号识别性能差的问题。