针对调制信号的自动调制识别,传统方法主要通过提取特征并利用机器学习算法进行分类和识别。其性能受特征提取和选择的限制,对新信号适应性较差。不同的调制信号其时域几乎包含了信号的所有信息,传统方法却无法直接处理时域数据。深度学习算法近年来在图像识别和语音信号处理领域逐渐成为主流,特别是这些算法面对的几乎都是原始图像或语音数据。鉴于此,本论文探讨了深度学习算法及时域数据在调制识别领域的应用,主要研究内容如下:1.针对常见的通信信号,提出了基于卷积神经网络时域数据调制识别算法-SCC-CNN,相比于传统算法其性能提升了 3-5dB,且无需专家知识提取特征。2.提出了基于循环神经网络的时域数据调制识别算法,其性能相比公开算法提升0.5-1dB,且相比SCC-CNN,其具有可比的性能。3.针对开集调制识别,本论文探索了基于深度学习统一特征表示的开集调制识别算法,该算法通过深度学习算法来学习具有鉴别性的特征,之后对特征进行分布拟合,利用特征分布完成开集情况的调制识别。两个数据集的开集识别性能分别提升了 14.2%和 24.4%。4.在FPGA平台上对简化算法-CB-CNN进行了定点压缩及硬件实现。