信号调制识别作为信号处理领域相关研究内容之一,从复杂的通信环境中准确识别各类信号调制方式具有重要研究意义。为此,本文针对现有调制识别方法中存在的不足,并结合卷积神经网络进行深入研究,具体内容如下。1.针对现有调制识别方法较少考虑特征之间的联系问题,研究了一种基于卷积神经网络和特征融合的调制识别方法。该方法利用平滑伪Wigner-Ville分布和Born-Jordan分布将信号表示为图像,通过CNN模型自动提取不同表示下的图像特征,并结合迁移学习提高模型学习效率,以及手动提取多种人工特征以提高整体性能,在此基础上引入多模融合机制整合不同图像特征和人工特征以进一步提高调制识别性能。仿真结果表明相比于没有考虑特征之间相关性的调制识别方法,所研究方法提升了低信噪比下性能,并且给出的多模融合方法比传统特征融合方法更加有效。2.针对现有基于深度学习的调制识别方法较少考虑模型之间具有互补性以及卷积神经网络仅提取信号局部空间特征问题,研究一种基于CNN和LSTM的双流结构调制识别模型。该模型通过同相正交分量和幅度相位表征信号,并利用CNN和LSTM的组合结构充分挖掘信号在两种表示下的空间特征和时序特征,在此基础上使不同表示下信号特征两两交互以增加特征的多样性,并结合softmax分类器进行识别分类。仿真结果表明所研究模型性能优于未考虑模型之间互补性的调制识别方法,并且基于CNN和LSTM的双流结构比单流结构效果更好。