通信信号的调制模式识别是指通信接收机在不知道发送机发射信号调制模式的情况下判断接收到的信号调制模式的过程。在通信侦察、电子对抗、信号监督等非协作通信场景和认知无线电系统的通用接收机的设计中,通信信号的调制识别都是十分关键的步骤,因为它紧密关联到之后的信号解调过程,所以调制识别器无论在军用还是民用通信系统中都是非常关键的系统组件。调制模式的识别通常分为人工识别和自动识别。人工识别依靠检测人员的经验去判断,效率低下,准确性也不高,因此关于调制模式的自动识别和高效实现显然更加具备研究价值。关于通信信号的自动调制识别技术主要分为两类,一类是基于贝叶斯决策理论的方法,一类是基于统计机器学习理论的方法。前者虽然理论完备,然而通用性差,实现复杂度高,因而并不实用;后者实现流程简明,适用于通用的通信信号调制识别。本文主要研究基于机器学习的通信信号调制识别技术。在机器学习理论中,包括很多的算法模型,人工神经网络就是一种经典的机器学习模型。本文基于人工神经网络这种机器学习技术,利用其普适近似性构建两类通用的通信信号调制模式分类器,一类是基于人工特征工程的浅层神经网络调制识别器,一类是基于端到端模型的深度神经网络调制识别器。在浅层神经网络调制识别器中,本文针对通信信号提取了谱特征和累积量特征作为输入,利用修正线性单元作为神经元激活函数,利用交叉熵作为损失函数。在深度神经网络调制识别器中,本文针对通信信号构造了卷积神经网络和循环神经网络对信号进行调制识别。本文在CPU和GPU两种计算平台上协同实现神经网络自动调制识别器,进而验证基于神经网络的通信信号调制识别器的识别正确率性能。实验表明,基于人工神经网络的通信信号调制识别器在训练集和测试集上都具有良好的分类准确率性能。