无线电频谱资源是一种重要的战略性资源。随着信息社会的不断发展,人们对无线通信的需求越来越高,使得原本有限的频谱资源越来越紧缺,因此,提高对它的高效利用显得尤为重要。为此,本论文对具有超窄频谱的高效多元位置相移键控(MPPSK:M-ary Phase Position Shift Keying)调制在不同信道环境、不同调制参数下的解调性能进行详细探讨,并引入了新的基于栈式自编码器(SAE:Stacked Auto Encoder)深度学习网络的解调方法,通过与传统解调方法对比,不断调整网络参数,进而提升解调性能,具有重要的理论意义和实用价值。首先,介绍了高效调制EBPSK和MPPSK的调制原理及频谱特性,以MPPSK为例,阐述了关于高效调制信号解调的关键技术以及冲击滤波器的原理、特性、设计要点等;其次,介绍了 SAE深度学习网络和Softmax回归模型,通过不断仿真,找到最优的SAE深度学习网络模型,并将SAE深度学习网络加上Softmax回归模型用于多分类问题,为了初步比较传统的判决方法与SAE深度学习网络判决方法的性能,对复合调制进行了误码率仿真分析。最后,以MPPSK调制为研究对象,分析了各种传统判决方法的优缺点以及MPPSK信号的检测难点后,将SAE深度学习网络判决方法引入高效通信系统中,并在不同的信道环境和不同的调制参数下,对比了传统判决方案和SAE深度学习网络判决方案的优劣。仿真验证表明,在本文所选参数下,基于SAE深度学习网络的MPPSK解调性能优良。