调制信号识别是智能通信、非协作通信和无线电频谱管理等领域的一项关键技术,旨在识别接收信号的调制类型。深度自编码器是深度学习领域中一种在半监督学习和无监督学习中使用的人工神经网络,具有强大的数据特征取功能。本文分别从信号降噪、特征取和信号识别等三个方面研究了深度自编码器应用于调制信号识别的方式与性能,具体内容包括:（1）研究并实现了一种基于栈式卷积降噪自编码器（SCDAE）的信号降噪方法。由三个降噪自编码器（DAE）以卷积的方式堆叠构成降噪网络,各DAE均采用最小平方误差（LSE）函数作为目标函数。基于首层输入和末层输出构建LSE函数作为整个降噪网络的损失函数。网络训练阶段以无噪信号为目标输出,将有噪信号输入网络,经过层层训练和映射,使降噪网络学习到噪声的分布,并在输出层重构无噪信号,以实现信号降噪功能。实验结果表明:（1）当输入信号的信噪比在-20 d B～4 d B之间时,输出信号的信噪比可升约7 d B;（2）该方法可以有效地升基于LSTM或CNN进行调制信号识别时的识别准确率。（2）研究并实现了一种基于小波卷积自编码器（WCAE）的信号特征取方法。以一维的卷积层取代小波自编码器（WAE）中的全连接层,减少了网络参数。首先,在编码网络中对输入样本进行三层卷积处理,以降低样本维度,学习样本的潜在特征。然后,在解码网络中通过上采样和对称的反卷积操作,利用编码网络取的特征数据进行信号重构,使用均方误差和雅各比惩罚项组成的目标函数控制输出和输入的差异,通过最小化重构误差来确定网络的最优参数。当网络收敛后,编码网络的输出即为取到的信号特征。实验结果表明:（1）当信噪比不低于-10 d B时,本文方法从输入样本中取的信号特征具有较高的辨识度;（2）对信号的幅度/相位数据进行特征取后识别准确率高于对I/Q数据进行特征取后的识别准确率;（3）当信噪比不低于4 d B时,对8种调制信号的识别准确率均高于95%。（3）出了一种基于SCDAE和WCAE的联合自编码器调制信号识别方法。构建了一个由SCDAE、WCAE和Softmax分类器级联而成的调制信号识别网络,其中,SCDAE模块完成对输入信号的预处理,实现信号降噪功能;WCAE模块对SCDAE的输出进行特征取;最后由Softmax完成信号识别。实验结果表明:（1）当信噪比低于0d B时,该方法的识别率准确率优于其他算法;（2）当信噪比不低于2 d B时,该方法的整体识别率可以达到91.7%。综上,本文工作为深度自编码器应用于信号降噪和特征取供了实现方案和性能分析参考,所出的联合深度自编码器信号识别方法可以有效地升低信噪比情况下对信号的分类准确率。