调制信号识别技术是无线通信领域中的一种基础技术,也是通信接收系统中的一个重要环节。它介于信号检测和信号解调之间,主要对调制信号进行智能接收和处理。为了获取通信信息,首先要判断接收到信号的调制方式,之后才能进行正确解调以及随后的信息处理和分析。如今是一个信息技术日新月异的时代,各种通信技术不断进行更新。无线通信的信道环境越来越复杂,通信信号的调制方式相应的也变得更加多样和复杂,这对调制信号识别技术带来了新的挑战及问题。本论文研究基于机器学习的数字信号调制识别算法,主要完成的工作如下:(1)给出了一种基于LSSVM技术的调制信号识别算法,克服了基于SVM的调制识别算法实现复杂度较高的缺点。将原算法中SVM分类器替换为LSSVM并完成对调制信号的分类,仿真结果表明两种算法整体性能相当,但基于LSSVM的调制识别算法复杂度更低,计算速度更快。(2)提出了一种基于卷积神经网络模型的深度学习智能调制识别算法,克服了传统调制识别中特征提取依赖人工经验以及算法在低信噪比下性能较低的缺点,提高了数字信号在低信噪比下识别的精确率。该算法首先对接收到的调制信号进行预处理,将通信信号的采样数据转换为灰度图像,将其作为神经网络的输入,使用在深度学习架构Py Torch下搭建的VGGNet网络进行训练,对数字调制信号进行特征的自动选择和提取,从而实现了数字调制信号的自动识别。仿真结果表明,在信噪比为-2d B时识别率达到98%以上,要比传统的调制信号识别算法效果好,从而验证了该方法在低信噪比下对数字调制信号识别的有效性。(3)在ARM开发平台上对基于决策树的调制识别算法进行了模拟实现及测试,为基于机器学习的调制识别算法的实现提供了参考。