短波无线电是长距离通信中一种不可或缺的方法,其中,摩尔斯(Morse)电报凭借其简单的编码方式和强抗干扰能力,广泛地应用在航空通信、海事通信、军事等领域。相应的Morse自动检测和译码已研究多年,但对于短波通信中手工拍发的Morse电报,因受限于拍发手法随意及信道环境复杂等因素,准确率仍存在较大提升空间。近年来,深度学习技术在图像、语音、文本处理等领域取得突破性进展,其有效性已在大量应用系统中得以证明。本文从Morse信号的时频图出发,围绕Morse译码问题,研究了深度学习中的相关技术,通过设计针对性的神经网络模型,有效地提高时频图上Morse信号检测与译码的精度,此外,提出端到端Morse信号检测与译码方法,将检测与译码互补融合,进一步降低译码错误率。主要研究成果如下:1.基于中心线模型的Morse信号检测。考虑到Morse信号在时频图上表现为时通时断的特殊图样,本文借鉴深度学习图像目标检测的思路来实现时频图中的Morse信号检测。具体地,利用主干网络从原始时频图中计算得到特征图,之后,采用结构类似的回归层,分别计算代表信号类型与信号框中心线位置的热力图、代表信号带宽的高度图以及代表特征图与原图偏差的位置偏差图。该方法相较于经典深度检测方法,因去掉了候选框提出过程,复杂度更低;相较于已有基于热力图的方法,因信号中心线处各点的感受野容易覆盖信号带宽,更易保证检测框对信号的完整覆盖。在模拟和实际宽带信号上的实验结果表明,相比传统能量检测方法和经典深度检测方法SSD,提出方法获得了更好的检测效果,实际数据上F1结果较两者均提高10%以上,且处理速度较SSD算法提高两倍多。此外,该方法可适用于多类型信号检测问题。2.基于卷积循环神经网络(Convolutional Recurrent Neural Network,CRNN)的 Morse信号译码。本文采用CRNN的架构,构建了一个从时频图到字符串的译码模型。该模型由卷积神经网络(Convolutional Neural Network,CNN)、双向长短时记忆网络(Bidirectional Long Short-Term Memory Network,BLSTM)、连接时序分类(Connectionist Temporal Classification,CTC)层构成,CNN提取时频图的高层特征并按时间顺序组成序列化特征,BLSTM对特征序列进行上下文语义信息的建模并预测每帧对应字符的概率,CTC对BLSTM在每帧上的预测整合转录成最终的预测字符串。在模拟和实际Morse信号上的实验结果表明,提出方法较传统的聚类方法和语音识别方法,在不同信噪比、不同码速、瑞利衰落、频率抖动和码长偏差条件下均获得了更好的译码效果,实际数据上字符正确率较聚类方法提高21%,且速度满足实时性要求。3.端到端Morse信号检测与译码。为了融合图像信息与字符级信息,进一步提升检测译码准确率,将前两个研究内容中提出的中心线检测模型和CRNN译码模型联合成统一的多任务模型。该模型利用共享卷积网络提取时频图特征,并同时输入检测分支和译码分支,两个分支代价融合进行端到端训练。端到端模型通过两个任务共同监督共享卷积模块的训练,使得译码分支的字符级特征能被共享到检测分支中,提升检测精度;同时,检测分支对边界框规范度的提高,能够进一步提升译码精度。此外,通过合并卷积模块,减少了操作的冗余和时间的消耗。在模拟和实际窄带信号上的实验结果表明,提出算法相比两阶段的算法,检测和译码精度都得到有效提升,实际数据上检测F1提高3%,译码字符正确率提高5%,速度提升22%,模型缩小37%。