信号的调制识别,即根据接收到的信号,判断其采用的调制方式,是通讯领域中认知无线电方向的重要技术之一。无论在工程运用还是军事应用中,调制识别技术都发挥着重要的作用。在工程应用方面,调制识别技术可以提高频谱利用率,完成更及时、高效的通信。在军事应用中,调制识别可用于获取情报截取和电子干扰。由于人工调制识别成本太高,效率太低,越来越多的学者们开始研究自动调制识别技术。近年来,随着人工智能的迅猛发展,越来越多的科研人员开始运用机器学习、深度学习来解决自动调制识别问题。卷积神经网络作为深度学习中一个重要的基础网络构架,在自动调制识别问题中得到了广泛的应用。然而,经本文的分析认为,采集到的信号样本并不适合直接用作卷积神经网络的输入。一方面,信号样本的大小会对卷积神经网络的结构设计构成极大的限制;另一方面,直接用作输入很可能造成特征的浪费。针对以上两个方面,本文提出一种新颖的数据预处理方法,以提高基于卷积神经网络的自动调制识别系统的识别正确率。本文进行了多组对比实验,实验结果表明,所提预处理方法使一个近年提出的基于卷积神经网络的调制识别模型在著名的Radio ML2016.10a数据集上提高了约7%的识别正确率。随后,本文根据对所提数据预处理方法和卷积神经网络的分析,设计了一个具有残差模块的神经网络。实验结果表明,所提预处理方法与所设计的神经网络的结合,在Radio ML2016.10a数据集上取得了93.72%的最高识别正确率,此结果超越了近年先进的自动调制识别分类器。最后,根据本文在另一组具有不同程度信道衰落的数据集上的测试结果,所提预处理方法和所设计的自动调制识别模型展现出了良好的鲁棒性能。