信号调制识别是指在未知或缺少先验信息的条件下,通过对接收信号进行分析和处理,获取其调制方式的一项技术,其被广泛的应用于军用和民用领域,例如无线电侦查、电子对抗、频谱检测等。近些年来,随着无线通信环境的日益复杂和信息传输量的爆炸式增长,信号调制识别面临着巨大的挑战,如何更加高效、鲁棒的识别信号的调制方式成为了研究热点。目前来说,得益于深度学习的强大特征提取能力,基于深度学习的调制识别技术可以在自动提取信号特征的前提下对信号调制方式进行判断,但仍然存在一些鲁棒性差,识别率低的问题。通过研究,本文提出了一种基于深度学习的适用于多径信道的鲁棒的调制识别算法。主要研究内容如下:首先本文介绍了多种无线通信中常用数字信号调制方式,并从不同的特征维度进行分析介绍。另外简要介绍了深度学习中的重要组成结构和用于参数更新的反向传播算法,了解神经网络的实现原理。其次,针对目前基于深度学习的信号调制识别算法对信道变化较敏感的问题,提出了一种面向正交频分复用（Orthogonal Frequency Division Multiplexing,OFDM）适用于多径信道的更为鲁棒的信号调制识别算法。算法分为两步:从通信角度对信号进行预处理,在接收端引入各种信道估计和均衡技术来消除信道变化对信号造成的扭曲和畸变效应,重点研究不同的信号处理算法对识别结果精度的影响。然后针对目前深度学习算法在低信噪比下识别精度低的问题,本文采用了具有更加强大降噪能力的深度残差收缩网络（Deep Residual Shrinkage Network,DRSN）作原始模型,并在其基础上进一步优化设计,作为识别架构中的分类器进行调制判决。实验结果表明,根据本文提出的算法架构,在同一信噪比下,模型只需训练一次就可以识别出不同信道参数下的接收信号,大大减少了模型的训练量,可以做到实时处理,并且具有更好的识别效果。最后,为了验证算法在实际场景中的性能,本文利用通用软件无线电平台（Universal Software Radio Peripheral,USRP）搭建了数据采样链路,在实验室场景下实现了OFDM发射机和接收机结构,根据真实环境中接收的数据对本文提出的算法进行验证和比较。