随着海洋强国竞争愈演愈烈,水下设备间的数据传输需求成几何倍数增长。在合作式水声通信中,为提高通信效率,发送端通常使用自适应调制编码技术,依据信道状况选择最优调制方式进行数据传输。然而,繁杂的海洋噪声与干扰严重影响握手信号准确性,致使接收端无法正确解调信号,导致通信失败。在非合作式水声通信中,通常事先并不知道截获信号采用的调制方式,接收机需要在缺乏信号先验信息的情况下正确解调数据。因此,如何实时准确地识别信号的调制方式,是水声通信系统能否高效可靠的关键。自动调制识别技术（Automatic Modulation Recognition,AMR）使接收机可在仅接收到水声调制信号的情形下,准确识别信号的调制方式从而实现正确解调,被广泛应用于调制方式多变的水声通信中。该技术可分为基于专家特征提取的A MR方法和基于自动特征提取的AMR方法,目前存在如下问题:第一,水声信道噪声繁杂,伴随着严重的多径干扰与多普勒效应,导致水声信号调制特征严重受损,进而影响识别准确率;第二,水声信号样本匮乏,难以支撑基于数据驱动的深度学习算法;第三,现有用于AMR的深度学习架构无法有效提取水声信号的时序特征与空间特征,难以取得较好地识别性能。因此,本文针对当前水声信号调制识别领域存在的问题,分别从基于专家特征提取的AMR方法与基于自动特征提取的AMR方法两个角度提出了新颖的解决路线,在实测水声信号数据集上取得了优秀的识别结果。本文主要研究工作如下:（1）针对复杂海洋环境下信号特征严重受损以至于无法用于AMR的问题,提出优化自编码器（Optimizing Autoencoder,OAE）与评判增强型K近邻算法（Evaluation Enhanced K-nearest Neighbors,EEKNN）。其中,OAE通过学习受损特征与理想特征的映射关系,实现受损特征的修复与分布优化,显著提高特征的区分度与可用性。EEKNN通过特征加权以及综合评判,很好地弥补了传统KNN算法的不足。将OAE与EEKNN二者结合,既可减少冗余特征,提高特征区分度,又可有效规避异常样本导致的误判,实现准确高效的自动调制识别。（2）针对实测水声信号样本短缺的问题,提出一种用于AMR的数据增强方法,在单个码元长度的微观尺度下,通过水平翻转、交叉拼接以及添加高斯白噪声三种操作,在不破坏水声信号调制特征的情况下,将水声信号数据量增加了4至7倍,较好地解决了基于深度学习的AMR方法数据量不足的问题,有效提升深度神经网络的拟合性能。（3）针对现有深度学习架构无法有效提取水声信号时序特征与空间特征的问题,提出一种时序特征提取器（One2Three Block）以及一种双压缩激励卷积模块（Dual-Stream SE Block）。其中,One2Three Block从水声信号三种微观尺度出发,将信号时序特征转化为3通道特征图,实现从信号到图像的转化以便卷积模块进行空间特征提取。Dual-Stream SE Block则通过双通道注意力机制,在拓宽网络宽度的同时优化特征图表达,从空间特征的角度对One2Three Block转化后的特征图进行抽象与综合以实现调制方式的精准识别。（4）本文基于南海实验与黄海实验数据集,将所提算法与BP神经网络（Back Propagation Neural Network,BPNN）、支持向量机（Support Vector Machines,SVM）、决策树（Decision Trees,DT）等机器学习算法以及长短时记忆网络（LongShort Term Memory,LSTM）、残差神经网络（Residual Network,Res Net）、压缩激励神经网络（Squeeze-and-Excitation Networks）等深度学习算法进行了多维度比较,结果表明,本文所提方法可达99%以上的平均识别准确率,并且识别速率为毫秒级,成功实现DSSS,2FSK,2PSK,4FSK,4PSK,16QAM,64QAM以及OFDM共8种水声通信常用调制方式的智能识别,识别性能显著优于对比算法。综上所述,本文针对复杂海洋环境下水声信号调制方式自动识别技术面临的主要问题,从基于专家特征提取和人工特征提取两个角度提出两种AMR方法;针对实测水声信号匮乏的问题,提出一种高效的数据增强方法。本文所提算法在南海实验与黄海实验的实测数据集上完成了高效准确的水声信号调制方式智能识别,验证了所提算法的优越性。该研究极大丰富了水声信号自动调制识别领域的理论成果,为提高水声通信效率和水声信号侦查能力提供理论支撑和实践指导,在军事和民用方面均有巨大的应用价值,对提升我国海洋信息科技实力具有重大意义。