通信信号调制类型识别是一种典型的模式识别问题,被广泛应用于信号确认、无线电侦听、电子对抗、信号监测和分析等领域。在通信环境日益密集,信号调制类型日益丰富的情况下,信号的调制识别变得愈加困难。近年来,随着机器学习的快速发展,深度学习算法在模式识别领域得到广泛应用,并逐渐用于解决信号调制识别问题。本文主要研究基于深度学习的信号调制识别算法,主要内容如下:1.针对现有方案在低信噪比环境下识别准确率较低的问题,研究了一种基于生成对抗网络与卷积神经网络的信号调制识别方法。该方法由时频处理、去噪网络和识别网络三部分组成。首先使用平滑伪Wigner-Ville分布将待识别信号转换为时频图像,然后基于生成对抗网络设计去噪网络,对时频图像完成去噪和修复,最后通过卷积神经网络提取去噪后图像的特征。仿真结果表明,所提方法在低信噪比情况下有效地降低了噪声对信号的干扰,能准确识别9种数字调制信号。在信噪比为-6d B的条件下,识别准确率达93%以上,具有较强的抗噪声性能。2.针对现有调制识别算法为提高识别准确率,导致模型尺寸过大、计算时间过长的问题,研究了一种调制识别神经网络的轻量化设计方案。该方案由信号失真校正模块和分类模块组成。首先直接将待识别信号的同相正交分量作为网络输入,省去了时频处理过程。然后失真校正模块通过参数估计器提取相位偏移信息,再经参数转换器对提取的信息进行转换以达到参数校正目的。最后由一维卷积神经网络、选通递归单元和高斯衰减层构成分类模块,从时间和空间的角度有效提取信号特征,并减少冗余参数量以缩减模型大小。仿真结果表明,所提方法与同精度网络相比,平均识别精度提升0.21%,计算时间缩减到1/3.4,模型尺寸缩减到1/7.77。