自动调制识别（Automatic Modulation Classification,AMC）是一种广泛应用于军事通信领域和民用通信领域的信号处理技术,采用预先设定的准则在给定的信号集中对带有不同干扰和噪声的通信信号的信号调制类型做出判断。目前关于通信信号识别的多数方法都是基于服从高斯分布的加性噪声进行调制方法识别。然而,近年来许多学者发现大部分的自然噪声和人为噪声以及两者的联合噪声常常以脉冲噪声的形式出现,这类噪声并不服从高斯分布,而Alpha稳定分布模型可以更有效地表示上述非高斯噪声。因为脉冲噪声下信号不具有二阶及二阶以上的统计量,所以很多的基于高斯噪声环境下的通信信号调制识别算法不能直接应用在非高斯环境下。因此,探索基于脉冲噪声环境下的通信信号识别方法具有重要的研究价值和意义。本文旨在研究脉冲噪声下的通信信号调制方式识别算法,深入研究了通信信号的调制识别算法和技术,本文主要工作包括:首先对通信信号调制类型的基本原理和对可以描述脉冲噪声的Alpha稳定分布进行研究和分析,详细介绍了Alpha稳定分布的定义、参数和性质,为本文采用的基于脉冲噪声的通信信号调制模式识别方法提供理论基础;其次,针对短时傅立叶变换（Short-Time Fourier Transform,STFT）时频分析方法在加入脉冲噪声后性能退化甚至失效的问题,本文采用了分数低阶短时傅里叶变换理论,并且采用同步挤压和谱重排相结合法人方法改善了STFT时频方法存在的时频能量发散的问题。仿真实验分析表明,该方法可以很好的表达脉冲噪声下的调制信号的时频特征。最后,采用优化的轻量化神经网络与得到的时频特征相结合,以得到的调制信号时频图像作为网络的输入对网络进行训练。仿真结果表明,在脉冲噪声环境下,本文算法识别性能很好并且具有良好的鲁棒性。