调制方式的自动识别是现代通信领域中的关键技术,在民用电磁频谱监测以及军事电子对抗领域都扮演着至关重要的角色。随着通信环境的日益复杂化,对调制识别技术也提出了更高的要求。本文将通过提取信号多维度的特征参数对自动调制识别技术进行研究。本文的研究对象为十二种数字调制信号,包括{2ASK、4ASK、8ASK、2PSK、4PSK、8PSK、2FSK、4FSK、8FSK、16QAM、32QAM、64QAM}。针对不同的调制样式,本文以信号的瞬时信息特征、循环平稳性特征和高阶累积量为切入点,先进行类间识别,再进一步进行类内识别,根据信号不同维度的差异性构造出8个特征参数,并验证了不同信噪比下每种特征参数对信号的分辨情况。利用这8种特征参数,本文设计了一套基于传统决策论方法的识别流程图。其中,在对FSK进行类内特征参数提取时,本文提出了一种有效的特征参数——信号一阶循环矩的个数,针对特征提取时出现的谱峰淹没问题,通过分段自相关积累方法进行了改进处理,使谱峰得到显著加强。实验结果表明,FSK的类内识别在信噪比高于-5dB时,可达到99%的正确率。利用提取的8种多维度特征参数,设计了决策树分类器,完成了 12种信号的调制识别,并对CART算法模型进行识别性能对比分析、稳定性分析以及树深度选择,验证了决策树算法在高信噪比下良好的分类性能。针对单一的决策树分类器表达能力不足的缺陷,使用了基于决策树的Adaboost集成算法对决策树模型进行弥补,使得识别算法在稳定性、泛化能力上得到有效提升。进一步地,针对低信噪比下识别效率不高的问题,通过对弱分类器的对比分析,选择了表征能力更强的支持向量机(SVM)作为Adaboost的基分类器,并用粒子群算法对SVM的超参数进行了优化。通过仿真实验证明了在低信噪比下,Adaboost-SVM对研究信号具有优异的识别性能,在信噪比高于-3dB时,信号的识别正确率可达到95%以上。