面对复杂的电磁环境,通信信号的调制模式也日趋复杂,导致现有的通信信号调制模式识别方法不能准确、快速地识别通信信号的调制模式。现有的识别方法主要包括特征参数的提取和分类器的选择两部分,其识别率取决于通信信号的特征参数提取,且步骤较为繁琐。在低信噪比的情况下,噪声对特征参数的准确性有很大影响,使得现有的识别方法不能很好实现通信信号调制模式识别。针对低信噪比下通信信号调制模式准确识别问题,本文利用卷积神经网络(CNN)结构作为调制识别器,实现了基于深度学习的通信信号调制模式识别算法。在本文中,首先对于通信信号调制类型的产生机理和深度学习相关理论进行研究和分析,详细介绍了深度学习中卷积神经网络的网络结构、常用的激活函数和优化算法,为本文采用的基于深度学习的通信信号调制模式识别方法提供理论基础;然后,从信号的时频域出发,对通信调制信号经过时频分析后生成的特征图像进行了研究。通过对几种常用时频分析方法的对比分析,选出可以很好凸显不同信号调制模式之间的差别的时频分析方法,将时频图转换成深度网络能处理的数字图像。使用基于时频特征的调制信号图像生成算法生成深度学习网络训练所需的训练集和测试集样本;最后,通过对基于卷积神经网络的调制识别器设计和卷积神经网络模型的性能分析,得到最优模型及参数。本文的最后根据实验经验得到最优模型及参数,分别对仿真的通信信号和实测通信信号进行调制模式识别和性能分析。实验表明,基于卷积神经网络的通信信号调制模式识别器对研究的五类调制信号都有着良好的识别性能,对通信信号调制模式识别领域方法的发展具有重要的参考价值。