传统上,无线通信波形设计主要依赖于专家掌握的波形知识与经验。然而,随着应用环境与需求日益复杂多样,积累的波形知识不断丰富,基于设计者知识储备和经验进行人工波形设计的方法不仅效率低下,而且难以保证选所设计波形的优化性。因此,有必要通过对现有通信波形知识进行结构化表征、存储和利用,提高波形设计的自动化与智能化水平。近年来兴起的知识图谱（Knowledge Graph,KG）技术能够构建结构化知识库,表征实体、属性间关系,已经在很多领域得到成功应用。采用知识图谱对复杂的通信波形知识进行表示、存储和管理,并基于通信波形知识图谱进行通信波形自主推荐,进而实现波形重构与生成,为通信波形设计提供了新的技术方向。本文研究通信波形的知识图谱表示和基于知识图谱的波形推荐关键技术,主要研究内容和贡献如下:首先,针对通信波形知识的结构化统一表征问题,论文构建了基于知识图谱的通信波形知识库模型,提出了一种联合语义与数值关系的表示模型对通信波形知识进行向量映射的方法。论文定义了通信波形知识图谱的实体、关系与属性,并对多种传输环境下现有的通信波形性能结果进行知识抽取,构建了通信波形知识图谱。在此基础上,论文建立了通信波形知识的性能表示模型,通过Trans D模型将结构化通信波形三元组信息映射为低维向量,利用Word2Vec模型提取波形语义信息并映射为向量,并自定义字典与参数取值构建数值特征向量,最后将三种特征进行拼接得到波形知识表示学习的结果。论文以Link16数据链波形和正交频分复用（Orthogonal Frequency Division Multiplexing,OFDM）波形为例,给出了具体的通信波形知识图构建实例,验证了所采用模型和方法的可行性。接下来,针对通信波形推荐问题,论文设计了通信波形推荐网络（Communication Waveform Recommendation Network,CWRN）,实现通信波形与用户特征的嵌入增强与匹配推荐。其中,嵌入增强模块通过高阶交叉特征提取、自注意力机制特征融合与卷积神经网络实现输入向量的特征增强与提取;匹配推荐部分采用三层全连接神经网络的多层感知机模型计算用户与波形间的匹配程度,实现波形推荐。CWRN的表示学习、嵌入增强及匹配推荐部分采用交替训练的方式进行优化,通过最小化Trans D模型距离函数与匹配推荐最小均方误差（Mean Square Error,MSE）损失函数来学习用户对每个波形的概率评分,最后通过Hit@1值衡量网络推荐准确度。仿真结果表明:本文提出的CWRN模型的Hit@1为0.99,具有较高的推荐成功率。最后,论文针对典型应用场景,利用MATLAB和Python开发了一个完整的通信波形知识图谱展示与推荐仿真系统。该系统具有通信波形知识图谱、链路的搜索展示与管理功能,并可根据训练好的模型对用户输入的传输环境和需求进行预测推荐,可为进一步开发更加实用化的智能波形设计系统提供基础。