伴随通信技术的发展,信号调制形式逐渐复杂化,然而,传统调制识别方法能识别出的信号调制类型较少、准确率较低且不稳定,难以适应目前的通信机制。近年来,人工智能技术的兴起为信号调制识别提供了新方法。本文研究目的为借助深度学习网络模型的监督学习以及数据拟合能力,分析数字信号的调制识别问题,以改善通信系统中调制识别的性能,提高准确率。本文研究方法分为:针对数字信号调制识别方法在低信噪比下识别率较低的现状,提出基于多层前馈神经网络的调制识别方案,根据高阶累积量和小波变换理论构造出多个特征参数,实现对MASK、MPSK和MQAM信号的调制识别;同时,为了不依赖人工构造的特征参数,进一步提高效率,本文基于原始信号数据所生成的星座图,提出改进的VGG-16深度学习网络模型,实现对MPSK和MQAM信号的调制识别。本文主要工作体现在以下方面:分析信号特征参数,构造出新的特征参数f1～f5,仿真获得不同信号的特征参数在不同信噪比下的变化情况;设计多层前馈神经网络模型的结构,对于网络层数、节点数、激活函数、损失函数等进行实验分析;分析待调制识别信号的模型,并对信号进行预处理,通过模拟产生信号的星座图以建立数据集;对传统卷积神经网络模型VGG-16进行改进,加速网络的训练过程,提高信号识别准确率。仿真结果表明,在高斯白噪声信道下,信噪比大于0dB时,基于多层前馈神经网络的调制识别方法对MASK、MPSK和MQAM信号的识别准确率达到97%以上。并且,当信噪比超过3dB时,改进的VGG-16网络模型对MQAM及MPSK的识别准确率均大于90%。本文基于深度学习理论,采用两种网络模型对数字信号进行调制识别研究,在信号调制识别领域具有较高的工程实用价值。