调制识别(Modulation Recognition,MR)是在通信系统中介于信号检测和信号调制的一种技术,其主要目的是通过接收到的信号来分析信号调制方式,以便对信号进行后续的研究和处理。调制识别技术在电子对抗、无线电管理等领域都有着极其重要的作用,特别是在非合作通信方面。调制识别技术经过几十年的快速发展在理论方面已经十分成熟了,但随着无线通信环境的日益复杂,在实际的工程应用上仍有许多需要改进的地方。近几年来随着深度学习在多个领域的突出表现,研究学者开始关注深度学习与无线通信相关技术的结合与应用。基于深度学习的信号调制识别算法能够从不同类型的调制信号数据中自动学习到更深层次的特征表达,故本论文主要基于深度学习的方法来提高对信号调制识别的准确率。本论文首先对深度学习中的网络结构、优化算法以及训练模式等方法进行了学习研究。然后给出了11种调制信号(包括3种模拟调制信号和8种数字调制信号)的数学模型,并对这11种调制信号的复数信号进行分析,得到基于高阶累积量和时频分析的两种信号表征。此外,针对低信噪比环境下调制识别的准确率较低的问题,本论文结合时频分析的表征方法与基于条件生成对抗网络的降噪方法实现了对调制信号图像上噪声的减弱。最后,本论文对提出的图像降噪方法在公开数据集上与现有存在的算法进行对比,验证了信号表征方法可以有效地表达不同调制信号的特点,以及提出的降噪模型可以大幅度地提高低信噪比环境下的识别准确率。