由于通信技术的飞速发展和通信设备的日益复杂,电磁环境中出现了多种多样调制方式的通信信号。作为无线电频谱监测、认知无线电、软件无线电中的关键工作环节,通信信号调制方式识别是在缺乏先验信息和存在噪声干扰的情况下,分析接收信号样本获得其调制方式和其它调制参数的技术。正交频分复用（Orthogonal Frequency Division Multiplexing,OFDM）是一种新型的多载波调制技术,被广泛应用于民用和军用领域中。在多种数字通信信号和噪声共同存在的复杂电磁空间环境中,将OFDM信号有效识别出来的困难较大,相关研究成果较少,因而本文将人工智能技术中的深度学习方法引入到OFDM信号调制识别领域中,提出一种基于短时傅里叶变换和VGG-16卷积神经网络的OFDM信号调制识别算法,解决OFDM信号和单载波信号在低信噪比条件下的调制识别问题。本文的主要研究内容如下:1.介绍数字通信的基本理论。分析了 MASK、MFSK、MPSK、MQAM等四种单载波调制信号的基本理论;分析了多载波调制系统的原理,给出了 OFDM调制系统的基本原理和基本结构模型;分析了通信信号循环平稳性的基本理论。2.介绍深度学习和卷积神经网络理论。阐述了深度学习的发展历程和擅长领域,给出了与深度学习相关的三种技术之间的关系,分析了基础神经网络的模型、训练过程及过拟合问题处理方法,分析了激活函数及其特点。重点阐述了卷积神经网络（Convolution Neural Network,CNN）的相关理论,依次介绍了 CNN的基本结构、主要特性、相关运算,分析了 CNN输出层中所使用的Softmax分类器。3.提出一种应用短时傅里叶变换和VGG-16卷积神经网络的OFDM信号调制识别算法。该算法首先利用通信信号具有周期为符号间隔的循环平稳性,对每个符号周期内的OFDM信号和几种单载波信号进行窗口长度为符号间隔的短时傅里叶变换（short-time Fourier transform,STFT）,转换为对应的时间-频率图像;然后,将时间-频率图像作为信号浅层特征送入VGG-16卷积神经网络模型中进行训练,网络卷积层、池化层自动提取OFDM信号和几种单载波信号的特征信息;最后,在网络输出层中选用Softmax分类器,完成OFDM信号与其他几种单载波信号的调制分类。仿真分析了算法的总体识别结果和算法的复杂度,从不同卷积核尺寸、不同激活函数、不同优化算法角度分析了该算法对调制识别系统性能的影响。研究结果表明:基于短时傅里叶变换和卷积神经网络的OFDM信号调制识别方法提高了 OFDM信号在低信噪比下的调制识别准确率,验证了本文方法的有效性。