随着人工智能技术的飞速发展,深度学习算法已经成为机器学习领域的主要研究方向,以卷积神经网络和循环神经网络为代表的深度学习模型开创性的在数据科学层面挖掘无线电信号的深层特征和时序特征,并以此为基础实现无线电信号调制样式识别。本文提出了三种改进卷积神经网络(myNet、myNet2、myVGGNet)。其中,改进卷积神经网络(myNet)与经典卷积神经网络(CNN)相比,通过减小卷积核的数量,增加卷积层数的方法实现调制样式识别过程中的性能增益;改进卷积神经网络(myNet2)在结构模型中进行优化,与经典卷积神经网络相比,通过在网络结构中加入长短期记忆网络(LSTM),利用卷积层提取无线电信号深层特征,长短期记忆网络层提取无线电信号的时序相关性的方法实现调制样式识别过程中的性能增益;改进卷积神经网络(myVGGNet)在结构模型和池化方法中进行优化,与经典卷积神经网络相比,结构模型采用顺序卷积模块加全连接层的结构,池化方法将改进卷积神经网络中的第四个顺序卷积模块中的池化方法进行更改,采用平均池化法,提升网络的整体拟合能力实现调制样式识别过程中的性能增益。仿真实验结果表明,改进卷积神经网络(myNet、myNet2、myVGGNet)在无线电信号调制样式识别中,能够产生一定的性能增益。从而促进机器学习算法在无线电信号调制样式识别领域中的应用。