在科技快速发展的现代化社会中,调制识别作为介于信号检测和信号解调的中间步骤,促使自动调制识别技术进一步发展的越显得更加重要。目前调制识别技术普遍存在着人工选取特征,而且在不同的通信系统难以统一特征的选取,带来处理效率低和识别模型鲁棒性差等问题。而随着大数据的驱动和深度学习技术的不断发展,借助深度学习模型特征提取和拟合的能力,能够促使调制识别领域的前进。因此,本文基于深度学习研究调制识别领域中合适的模型,并对调制信号的特征自动提取,实现信号的调制识别。本文对同相和正交分量(In-phase&Quadrature,IQ)信号特征转化为时域的幅度和相位特征以及频域的快速傅里叶变换后的特征,将三种信号信息统一数据维数,得到信号的三种不同特征信息的数据集。针对调制信号数据集的特殊性,本文在卷积神经网络基础上,基于不同的卷积层结构方式,设计了三种不同的卷积模型。分别在三种信号数据集上进行实验对比,其中特征复用的密集连接结构的卷积网络在幅度和相位特征数据集识别效果比其他卷积网络好。同时考虑信号存在的时序性,而循环神经网络能利用时序信息的相关性,本文设计了适合训练信号数据的长短期记忆网络模型。通过在三种信号数据集的实验,进一步提高模型在幅度和相位特征数据集的识别精度。最后本文通过结合卷积和循环神经网络各自在调制识别的特点,提出了基于一维卷积网络和长短期记忆网络相结合的深度学习模型。模型同时去掉了参数冗余的全连接层结构,利用多种优化方法来解决模型的训练问题,使得模型的性能和识别精度得到进一步的提高。实验结果表明,其基于幅度和相位特征数据集上,在本文研究的模型中达到了最好的调制识别精度,并且相比现有的调制识别方法,其在识别精度也有稳定的提高。