随着通信领域技术的发展,人们之间的交流越来越便捷,随之而来的是无线设备数量的大幅度增长,对频谱资源的需求也越来越高。与此同时,学者的研究方向除了如何提高频谱资源利用率外,保密通信也成为主要研究方向之一。为避免出现窃听等情况,发送方可随机更改信号的调制方式以保证通信的安全,因此在接受方则需要进行信号调制方式自适应分类。信号调制方式自适应分类在民用和军事的无线通信领域起着至关重要的作用。当前信号调制分类多是利用神经网络进行基于特征的分类,可通过对数据集和网络结构修改进一步提高分类准确率。首先,本文通过采用改进的Triple-GAN网络对原始的数据集进行扩展,增加训练样例,解决了由于训练数据不足和过拟合导致的卷积神经网络在信号调制分类方面受限的问题,而且新生成的样例可提供额外的辅助信息来训练分类网络。利用扩展后的数据集对信号调制方式分类网络进行训练,可以提高信号调制方式分类的准确率。并对数据集中的IQ向量进行计算,得到其所对应的瞬时幅度和相位,将计算后的结果作为网络的输入,来验证生成的数据是否具有真实意义。其次,本文通过对分类网络进行改进,将在分类方面具有卓越性能的ResNeXt网络应用到信号调制方式自适应分类网络中来提高网络的分类性能。同时因一些便携式设备受硬件限制,无法部署大型网络,故将改进后的网络通过知识蒸馏进行网络压缩,利用迁移学习,使简单的网络实现较高的分类性能。最后,采用了不同的信号调制方式分类网络进行实验对比,实验结果表明,经过改进的Triple-GAN网络对原始的数据集扩展后,将生成的伪样例加入原始数据集,可对信号的分类准确率起到促进作用。另一方面,改进后的网络实现了更高分类准确率,且在改进网络的引导下,简单的卷积网络也实现了较高的分类性能。