通信信号调制类型的分类识别是一种典型的模式识别问题,它涉及到很多复杂的因素。随着通信技术的飞速发展,通信信号的调制类型变得更加复杂多样,信号环境日益密集,使得常规的识别方法和理论很难适应实际需要,这给通信信号的识别研究提出了更高的要求。然而通信信号自动调制识别的一个突出问题就是通信信号经过无线信道的传输,信噪比变化范围比较大,通常在几分贝到几十分贝的范围内变化,这将导致从同一类信号的不同信噪比样本中提取的同一种特征有可能产生严重的畸变,相当于成倍增加了待识别信号的类别,使分类器的识别率降低。本文主要工作体现在瞬时参数的提取、模糊特征选择、单个分类器设计和组合分类器设计这四个方面。其主要内容为:1、研究了基于小波脊、短时傅里叶脊的信号瞬时参数提取方法、基于小波变换的瞬时参数提取方法和基于自适应时频分析的瞬时参数提取方法。仿真结果表明所研究的四种方法都具有很强的抗噪声性能。2、研究了一种特征选择准则,即基于模糊特征估计准则。该准则采用模糊遗传算法来寻找最优特征。仿真结果验证了该准则的可行性。3、详细研究了基于神经网络、模糊神经网络和模糊支持向量机的单个分类器设计方法。仿真结果表明所讨论的三种单个分类器具有很强的泛化能力。4、详细研究了基于模糊积分和神经网络的组合分类器设计方法,基于模糊积分和支持向量机组合分类器设计方法和基于类间距离和模糊神经网络组合分类器设计方法。仿真结果表明它们在信噪比变化比较大的情况下仍具有很高的正确识别率。