超窄带调制技术是一种高频带利用率的技术，而该技术的关键在于其接收滤波器的设计。人工神经网络具有表征任意非线性关系和学习的能力，给非线性滤波器的设计提供了新思想和新方法。目前已经存在许多基于神经网络的滤波技术，但在计算复杂度与收敛速度方面仍存在问题。因此论文重点研究了超窄带调制技术的调制波形及其功率谱的优化，并利用一种低复杂度神经网络，提出了适合该网络的学习算法并设计了一种超窄带滤波器。　　 论文首先从基本原理、调制波形、功率谱及其优化等方面对连续相位的扩展二进制相移键控(CP-EBPSK)调制技术进行研究。该调制方式与传统BPSK调制方式区别在于可以控制相位跳变的角度。CP-EBPSK调制通过小角度的相位变化使得能量集中在载频上，从而实现超窄带调制。通过理论分析与实验发现调制信号的功率谱存在高次谐波的问题，且高次谐波不含有用信息。计算得出CP-EBPSK调制波形功率谱的优化函数，即先减去周期分量再加上产生主频处的脉冲的基波函数。通过实验仿真验证了优化后调制信号的功率谱已不存在高次谐波。　　 针对常用神经网络计算复杂度高且收敛速度较慢的问题，论文研究了基于管状双线性递归神经网络（PBLRNN）数学模型，网络结构以及学习算法。该网络模型采用模块化结构将一个复杂的建模问题分解为许多子任务，各模块在平行管状结构中同时执行，使得总计算效率提高。论文分析了实时递归学习(RTRL)算法与延时反向传播(BPTT)算法的基本思路与实现方式。通过仿真实验证明BPTT算法比RTRL算法收敛速度更快。BPTT算法使用了阶次微分，误差函数对权值微分进行后向计算。后向计算顺序降低了初始化要求，减弱了网络对初始化条件敏感性并降低了计算的复杂度。通过对比仿真结果表明采用BPTT算法的管状双线性递归神经网络具有计算复杂度低、收敛快的特点。　　 论文根据超窄带系统的特点设计了基于几何特征的神经网络滤波。该滤波器基于几何特征滤波的思想结合论文中提出的低复杂度神经网络，针对CP-EBPSK调制只有“0”、“1”两种波形，将调制信号作为神经网络的导师信号。该滤波器能将波形特征与导师信号不同的干扰和噪声彻底滤除或加以抑制。仿真表明该方案具有良好的滤波效果，提升了超窄带系统的解调性能。