自动调制识别技术至关重要,被广泛应用于军事和民用领域。近年来,基于深度学习方法的调制信号识别引起人们关注,因为深度学习有强大的自学习能力,但目前仍存在识别率不高的问题。为提高识别率,论文以CNN为基础网络从多方面对信号进行预处理,主要研究内容包括如下三个方面。1.针对信道影响I/Q相位偏移使识别准确率不高的问题,提出基于相位校正与卷积神经网络的调制识别算法。对接收到的信号先利用带有线性激活函数的深度神经网络进行相位偏移参数的学习,再利用参数变压器进行相位变换,使I/Q信号重新达到90°相位差,将转换后的信号输入至CNN中进行训练分类。结果表明,通过相位校正的算法识别率比未校正的算法提高约5%,最高识别率为89%。2.针对CNN感受野有限导致提取的信号时序特征受限的问题,提出一种截断迁移的数据预处理算法,通过将采样矩阵一端的距离单位截断然后迁移到另一端,依次合并成新的矩阵,使CNN提取到更多的采样点,比较更多的符号信息。另外,还提出一种改进的并行残差神经网络,通过两路并行的支路同时关注水平和垂直两个方向的特征。结果表明,对信号进行截断迁移预处理后比输入原始信号提高约10%的准确率,并且改进的并行残差网络进一步提高了识别率,在信噪比为14d B时,最高准确率为93.78%。3.针对QPSK和8PSK、QAM16和QAM64、AM-DSB和WBFM三组信号总存在混淆现象,研究多任务学习算法。利用3个辅助任务分别训练混淆类别再把学习的特征传递给主任务训练。辅助任务模型选用门控递归单元网络,主任务模型为了能同时提取信号空间和时序特征利用一维多尺度卷积网络与门控递归单元网络级联。为更好适应网络的输入,采用一维时序格式输入信号。结果表明多任务学习方法提高了混淆信号的识别率,在信噪比为18d B时,对QPSK和8PSK的识别率为99%,QAM16和QAM64的识别率为96%,AM-DSB和WBFM的识别率为80%,最高识别率为95%。另外,算法复杂度较低,有利于实际应用的部署以及迁移学习。