如今,数字通信已经成为主流的通信手段,而在通信系统中,信号的调制解调是信息传递的关键部分。在不同的应用场景下,往往会采用不同的通信协议和调制方式,而传统的数字无线电系统使用的是专用电路,这就造成了其功能单一、灵活性差且不可编程的特性,无法应用在多模式通信的情况下。在这样的背景下,软件定义无线电逐渐发展起来。神经网络是一种可软件实现的数学模型,在处理图像和自然语言处理等非线性问题时展现了优异的性能。由于神经网络具有很好的学习能力和泛化能力,使其能够通过学习大量相关数据获得解调数字信号的能力。因此,使用神经网络作为软件定义无线电系统的解调模块是可行且具有优势的。本文提出了一种基于1-D CRNN的解调算法。该算法处理的对象为接收信号的中频采样序列,通过将单个码元对应的采样点作为神经网络的输入,对输入数据进行分类,并根据分类的类别转换成比特信息,完成解调。算法将1-D CNN和RNN串联起来,借助1-D CNN提取出信号中的幅度、相位等特征信息,将这些具有时间关联性的特征交给RNN处理,发挥各自的特性,提高了对码元采样点分类的准确度。另外,本文还提出了一种基于1-D CNN的符号同步算法,通过检测不同码元间的幅度相位变化判断码元位置,并根据位置信息将中频采样序列按码元分组。只有经过正确分组的数据,1-D CRNN才能获得有用信息,将数据正确解调,因此,该1-D CNN符号同步算法起着至关重要的作用。本文分别搭建了1-D CNN和1-D CRNN的网络模型,产生了QPSK和16QAM信号并构建了数据集,使用训练集和验证集训练神经网络,使用测试集测试其性能。实验结果表明,使用较低信噪比的数据训练出来的网络具有更好的噪声适应性,在测试集上的整体性能会较为优异。对于1-D CNN而言,能够准确识别QPSK和16QAM信号中的符号位置,且信号信噪比越高,识别越准确。对于1-D CRNN而言,在高斯信道下的解调性能趋近于理论误码率曲线。在多径衰落信道下,将单码元输入改为双码元输入,获得了一定的性能提升,且性能优于部分均衡器算法。