物联网（Internetof Things,IoT）的快速发展使得机器类型通信日益增长,移动服务和机器类型通信的融合迎来了无线通信大数据时代。然而,这也导致了频谱环境中各类低功耗的信号越来越多,加剧了无线电磁环境的复杂性。此外,无缝连接的物联网会带来许多诸如干扰和欺骗等物理层威胁。而有效的数字信号调制方式识别技术可以为频谱监测和管理提供更高精度的感知和分析能力,并且可以检测和识别导频干扰和欺骗性干扰等物理层威胁。因此,本文旨在采用深度学习技术,研究数字信号调制方式识别相关问题,以提高数字信号调制方式识别的准确率和鲁棒性。本文主要内容如下:1.基于循环相关熵和长短时密集连接网络的信号调制方式识别方法本文提出了一种基于循环相关熵（Cyclic correntropyvector,CCV）和长短时密集连接网络（Long short-term memory densely connected network,LSMD）的信号调制方式识别方法。该方法可分为离线训练阶段和在线识别阶段。在离线训练阶段,本文使用大量的CCV特征数据来驱动LSMD网络的训练,并得到最终的LSMD分类器;在在线识别阶段,本文首先计算并提取从接收端得到的信号的CCV特征,然后将CCV特征输入到LSMD分类器中,最终输出判决结果。在LSMD 网络设计中,本文使用加性余弦损失函数来最大化类间差异和最小化类内差异,以此来提高LSMD分类器的分类识别能力。仿真结果验证了该方法与最优的对比方案相比,在识别准确率为95%的时,能够取得3.8dB的性能增益。2.基于多模块融合网络的信号调制方式识别方法为了解决常用的基于人工设计的统计特征在特征计算的过程中存在着无法逆转的信息丢失问题,本文提出了基于多模块融合网络的信号调制方式识别方法。该方法通过计算复杂度极低的像素着色星座图投影算法（pixel-coloring constellation projection,PCCP）得到增强后的像素着色星座图特征。然后本文设计了包含特征转换、表征和分类三个模块的多模块融合网络（Multi-module fusion neural network,MMFN）,通过特征转换和表征模块自动地提取不同调制方式的高维表征。此外,通过采用跨层组合的设计思想极大的增强了 MMFN 网络的学习能力。大量的仿真实验结果证明,在信噪比为0dB时,该方法的识别准确率比最优的对比方案提升了 7%。