通信信号调制识别是一种识别所接收的未知通信信号调制类别的技术,同时也是对信号下一步分析的关键基础。几年来随着人工智能技术的发展,将深度学习技术应用于通信信号调制识别已经成为了主流趋势。但深度模型的复杂度与运算量较大,难以满足复杂环境下的需求。因此,本文研究了调制信号深度模型的轻量化技术,主要成果如下:1.实现了一种以通道剪枝为基础的信号识别模型轻量化算法。该方法使用模型归一化层的缩放因子作为评价标准,基于模型全局的通道剪枝比例,删除模型中的冗余通道。结果显示,本文提出的信号识别模型通道压缩方法可以在不降低模型准确率的情况下,压缩模型的参数量和复杂度。2.提出了一种通道和层的混合剪枝的信号识别模型轻量化算法。该方法在通道剪枝的基础上,将每一层保留通道比例作为评价标准,删除模型中冗余的卷积层,进一步减少网络的参数量。结果显示,该方法能够在小范围的精度损失内同时减少卷积层的通道数量和模型深度,并且在一定范围内减低模型的过拟合问题。3.从参数量化的角度出发,将信号识别模型的参数从浮点型量化为整型。该方法能够在小范围的精度损失内,将模型的大部分浮点运算转换为整型运算,从而提高信号识别模型的推理速度。4.从参数二值化的角度出发,实现了一种训练二值化信号识别模型的方法。该方法在训练过程中完成模型的参数量化,并且结合参数量化的特点,对网络模型的顺序进行了调整,结构进行了优化,减少了参数二值化带了的精度损失。结果显示,模型二值化能够在小范围的精度损失内,较好地压缩模型的大小,减少复杂度。5.以树莓派嵌入式平台为例,利用本文提出的模型轻量化方法,实现嵌入式设备的轻量型网络调制识别,并进行实验,比较轻量化前后模型的复杂度,验证算法的轻量化性能。以上工作,均进行了实验仿真验证,可以构建基于轻量型网络的信号识别模型,减少信号模型的可训练参数量和算法复杂度,减少信号模型在计算资源有限的设备的推理时间和资源消耗,扩展了使用深度模型进行调制信号识别的应用场景。