调制方式识别技术是通信系统中的关键技术之一,它影响着人民生活和国家发展的方方面面,被应用到民用、军事等许多领域。通讯需求的多样化以及通信环境的复杂化促使调制方式不断地被更新,这无疑给调制方式识别技术带来了严峻的挑战。识别授权用户信号的调制方式是认知无线电技术的首要任务,随着第五代移动通信技术(5th-Generation,5G)的商用,认知无线电技术作为5G的关键技术对调制方式识别技术提出了新的挑战。近些年来,专家学者一直致力于调制方式识别技术的研究,取得了显著的成果。调制方式识别方法可以分为两大类:基于似然决策理论的方法和基于特征提取的方法。第一类方法由于需要求解大量的信号参数且运算过程复杂,所以实际应用中常采用基于特征提取的方法识别调制方式。由于传统的基于特征提取的方法的识别效果主要依赖于提取特征的准确性和设计分类规则的合理性,考虑到深度神经网络具有强大的自学能力,能够更准确的自动提取样本的特征,因此基于深度学习识别调制方式的方法受到了广泛的关注。本文重点研究基于深度学习的调制方式识别技术,在介绍了信号调制技术和深度学习基本理论的基础上,首先研究了基于同相和正交(In-Phase and Quadrature,IQ)特征的调制识别方法和基于频域特征的调制识别方法,分析了采用卷积神经网络(Convolutional Neural Networks,CNN)、残差网络(Residual Network,Res Net)和卷积长短期深度神经网络(Convolutional Long Short-term Deep Neural Network,CLDNN)三种不同类型的深度神经网络时系统的识别性能并分析了样本长度对识别准确率的影响。在完成了上述两种方法的仿真实验的基础上,改进了训练深度神经网络时的实施步骤,提出了一种基于信噪比(Signal Noise Ratio,SNR)分段的训练方法,该方法首先将样本对应的信噪比区间按照特定的规则分成若干个相邻的、不重叠的小区间,然后分别提取小区间范围内的样本得到若干个小样本,最后用若干个小样本分别训练深度神经网络得到若干个训练好的深度神经网络。在实际应用中,这若干个训练好的深度神经网络分别负责识别不同的信噪比区间内的信号的调制方式。最后,本文研究了基于联合特征的调制识别方法,在对现有的基于IQ和统计量特征的调制识别方法仿真分析的基础上,提出了一种基于振幅和频谱幅度特征的调制识别方法。首先,该方法同时考虑信号在时域和频域上的特点,联合信号的振幅和频谱幅度特征获取样本;然后,利用样本分别训练“两入单出的深度神经网络”和一维卷积神经网络;最后,通过比较训练好的“两入单出的深度神经网络”和一维卷积神经网络的识别性能确定该方法采用一维卷积神经网络时识别性能最佳。之后,通过仿真验证,该方法的识别准确率明显高于第三章研究的基于频域特征的调制识别方法。该方法还进一步分析了一维卷积神经网络的卷积层的层数和卷积核的数量对识别性能的影响,仿真结果表明,过度地增加卷积层的层数或卷积核的数量都会造成过拟合问题,降低识别准确率。