非合作通信中,接收方对接收信号的调制方式是未知的。如果要正确解调信号,获取信号携带的信息,需要识别信号调制方式。随着无线通信的调制方式多样化,信道环境复杂化,噪声和干扰严重化,对信号自动调制识别技术提出了更高的要求。同时,在信号自动调制识别中,接收端还需要对接收信号进行信号存在性的判断与信号起止位置的估计。因此,为了提升陆地非合作通信场景中低信噪比条件下信号调制方式识别的性能,论文开展了信号自动调制识别技术的研究。为了提高低信噪比条件下信号存在性检测与信号提取的性能,论文提出了一种基于功率谱熵与距离熵的信号检测方法。在所提出的方法中,首先采用Welch周期图法得到更准确的功率谱估计,提升功率谱熵特征的表征能力,改进基于功率谱熵的信号存在性检测方法,然后,提出基于功率谱距离熵的信号端点估计方法,实现目标信号的起止位置的估计。仿真结果表明,功率谱熵及距离熵特征具有较好的抗噪特性,所提出的信号检测方法在低信噪比情况下有较好的检测性能。为了提高多候选调制任务集下自动调制识别的性能,论文提出了一种基于多模型融合（Multi-Model Fusion,MMF）的信号调制方式识别方法。所提出的方法包括两个支路,一个支路以信号累积量、星座图等统计特征为输入,卷积神经网络为分类器模型,另一个支路采用复合神经网络提取信号时间与空间相关的自适应特征,统计特征与自适应特征表征了信号幅度、相位、频率相关特性,并利用深度学习模型的学习能力,提升MMF模型的性能和泛化能力。仿真结果表明,面对多候选调制方式的任务集,所提出的调制方式识别方法有较高的识别准确率。最后,在室内外场景下搭建了基于通用软件无线电外设和软件无线电工具平台GNU Radio的实验验证系统,验证所提信号存在性检测方法与调制方式识别方法的性能。测试结果表明,在室内和室外场景下,基于功率谱熵与距离熵的信号检测方法对目标信号的存在性均达到了较高的检测准确率,对信号起止位置的估计误差分别为53.32点和54.08点;同时,采用迁移学习进行适应性改善后,基于MMF的调制方式识别方法的识别准确率由84.5%和87.2%上升到了94.3%和95.5%。