通信信号调制识别作为管理、监测电磁频谱的重要手段，具有重要的研究价值和应用前景。本文利用调制信号的频域信息，提出一种基于复数神经网络的信号调制识别方法。首先将I、Q 两路信号组合成复信号，经过快速傅里叶变换(FFT)后把得到的实部和虚部组合起来作为输入网络的数据集。其次，设计了一种复数神经网络结构，并引入了注意力机制对网络结构进行改良。仿真结果表明，本文提出的方法可以有效识别9 种调制方式，在信噪比为6 dB 时，平均正确识别率达到96.33%。

提出一种基于 Transformer模型的通信信号调制识别方法: 在数据准备阶段, 构建一个不同符号速率调制识别(DSRMR)数据集; 在数据预处理阶段, 提出 I/Q数据增强方法, 用于满足模型训练在数量上和多样性的要求, 增强了模型泛化能力; 在模型构建阶段, 将切片序列化的方法引入调制识别 Transformer模型中, 用于优化 Transformer神经网络模型的输入问题。实验结果证明, 基于 Transformer模型的通信信号调制识别方法能够获得较高的信号自动调制识别准确率。

结合典型LPI雷达信号的特点和调制样式识别的需求, 提出了一种基于高斯平滑模糊函数和sDAE_LIBSVM的调制样式识别方法。首先, 采用模糊函数变换结合高斯平滑, 完成特征图像的构建; 其次, 通过融合栈式降噪自编码器(sDAE)和LIBSVM搭建识别网络, 用于特征图像的分类识别。仿真实验可知, 所提方法在SNR为-7 dB时, 对BPSK, Costas, Frank, LFM及T1~T4共8类LPI雷达典型调制样式能达到97%的成功识别概率, 并具有较强的稳定性和鲁棒性, 相比其他方法具有更好的识别性能。

针对传统基于特征提取(FB)的信号调制识别算法所存在的识别准确率低、特征提取难度大以及算法泛化性能差等问题, 结合卷积神经网络(CNN)和多尺度金字塔池化(MSPP)提出一种基于MSPP-CNN的信号自动调制识别(AMR)算法。在所提出的算法中, 使用多尺度金字塔池化提高模型对不同调制信号的非线性特征提取能力, 使模型具有更强的特征表达和泛化性能; 在CNN模型的构建过程中, 使用不同的卷积、池化以及激活方法对模型进行最优化验证, 从而保证模型结构以及参数的合理性。实验结果显示, 所提算法在信噪比为-18 dB, 0 dB, 18 dB时的识别准确率分别达到56%,62.98%,92.04%;与其他传统特征提取算法以及CNN算法的大量对比试验, 证明了所提算法的有效性和高识别准确率。

由于深度学习算法具有特征表达能力强、特征自动提取以及端到端学习等突出优势，因此被越来越多的研究者应用至通信信号识别领域。然而，对抗样本的发现使得深度学习模型极大程度地暴露在潜在的风险因素中，并对当前的调制识别任务造成严重的影响。本文从攻击者的角度出发，通过对当前传输的通信信号添加对抗样本，以验证和评估目标对抗样本对调制识别模型的攻击性能。实验表明，当前的目标攻击可以有效地降低模型识别的精确度，所提出的 logit指标可以更细粒度地用于衡量攻击的目标性效果。

跳频信号在抗干扰方面具有良好的性能。准确识别跳频信号的调制方式，能够为判断敌我目标属性、干扰敌方信号等**信息战提供有力支撑，但国内外对于跳频信号的调制识别仍存在很大空缺。本文提出一种基于时频特征的跳频信号调制识别方法，通过平滑伪魏格纳-维利分布(SPWVD)时频变换获取不同调制类型的跳频信号时频图像，将时频图像送入卷积神经网络(CNN)中进行特征提取及分类识别。仿真实验证明，本文CNN在低信噪比下取得了较好的识别效果。

为提高调制分类识别精确度, 降低计算复杂度, 提出了一种基于卷积神经网络 (CNN)与红绿蓝(RGB)循环谱二维图的智能调制识别方法。基于循环谱特征可识别调制类型的机理, 为了降低计算复杂度, 将三维的循环谱转换为二维平面的 RGB循环谱图, 并将其用于构建数据集; 将一种计算复杂度较低的 CNN作为调制类型分类识别器。仿真结果表明, 所提出的智能调制识别方法能够以较低的计算复杂度, 获得更高的分类精确度。

为解决调制识别研究中较少考虑到不同信号的特征之间联系性的问题, 搭建了卷积神经网络(CNN)来提取信号的彩色时频图对应的特征, 并利用时频变换的分析方法, 将一维信号处理成彩色时频图, 通过卷积神经网络架构提取图像特征; 同时为了提升算法在低信噪比下的分类识别准确率, 对时频图像的纹理特征进行了特征提取, 将提取到的纹理特征与卷积神经网络中提取到的特征进行特征融合。仿真实验结果表明, 采用的时频卷积神经网络( TF–CNN)和TF–Resnet网络框架能够达到高精确度信号自动调制识别分类的目的。

针对低信噪比条件下正交频分复用（OFDM）信号和单载波线性数字（SCLD）调制信号的调制类型识别问题，提出一种基于同步压缩小波变换的识别方法。通过同步压缩小波变换（SWT）算法提取信号的小波脊线和小波骨架信息，利用差分、中值滤波后的小波脊线方差区分OFDM信号和单载波信号，并利用脊线和骨架特征完成单载波信号的类间识别。仿真结果表明,在信噪比较低的瑞利-加性高斯白噪声信道下，算法具有良好的识别效果。

提出一种以盒维数、信息维数、相像系数为分类特征识别雷达信号调制方式的方法。这些特征包含了信号的幅度、频率、相位、整体走势(或者轮廓)、波形复杂度和不规则度的细节信息，集中体现了不同调制方式的差异。同时，利用特征自身的类内距离小、类间距离大的特点先聚类分离部分调制方式，最后通过基于粗集的支持向量机分类器进一步分类识别。通过4种典型雷达辐射源信号的特征提取与分类识别的仿真试验，表明基于本方法的调制信号识别正确率高，具有一定的工程应用价值。