信号调制是现代通信系统中的重要技术,它既可以提升信息的传输速率,又可以实现信号的频谱搬移,适应不同的传输信道从而提升系统的可靠性。在很多的非合作通信系统中,接收端信号的调制类型识别是非常基础且关键的步骤之一,如在军事电子对抗中,只有在正确识别敌方发射信号调制类型的前提下,才能顺利地截获敌方信息,或者以同样的调制类型发送干扰信号从而达到干扰敌方正常通信的目的。早期的调制类型识别方法为人工识别,这对于经验的依赖性过高,效率过低,现代的识别方法主要有基于贝叶斯决策理论的最大似然假设算法、基于特征提取的模式识别算法和基于深度学习的识别算法,但以上算法均存在计算复杂度过高或需要额外的数据预处理提取信号特征等问题。本文针对以上问题,提出了基于图神经网络的调制类型识别算法,同时为了提高低信噪比情况下的识别准确率,提出了预去噪调制类型识别算法。本文首先提出了基于图神经网络的调制类型识别算法,相比于传统的深度神经网络,图神经网络更加擅长处理图结构等非欧几里得空间数据。该算法包括两个重要的网络结构,分别为特征嵌入网络和图神经网络,前者用于提取信号数据的关键特征,得到特征嵌入向量,后者包括邻接矩阵计算模块和图卷积模块两个核心部分,前一模块可以将样本的特征嵌入矩阵映射为图结构,后一模块通过图卷积操作融合图中所有顶点的信息进而做出预测。仿真结果显示,与卷积神经网络或其它机器学习算法相比,基于图神经网络的调制类型识别算法的准确率更高,尤其是在信噪比较低的情况下,该算法的优势更加明显。现有调制类型识别算法在高信噪比的情况下均有着较高的识别准确率,但是在信噪比较低时识别准确率下降明显,针对该问题本文提出了基于神经网络的信号预去噪调制类型识别算法,该算法首先利用去噪网络对信号做去噪处理,然后将去噪后的信号输入调制类型识别网络识别其调制类型。本文构建了两种不同的去噪网络,其核心结构分别为卷积神经网络和卷积自编码器,后者借鉴了自编码器结构,为了防止编码过程损失数据的重要信息,在对应的编码层和解码层之间添加了跳跃连接,将编码层的信息直接传入深层解码层。将残差学习和批标准化操作引入了去噪神经网络,从而加速模型的训练。仿真结果显示以上两种去噪网络均能达到相近的去噪效果,基于卷积自编码器的去噪网络训练效率更高、消耗时间更短,预去噪调制类型识别算法能有效提升低信噪比下的调制类型识别准确率。