无线电信号的编码和调制识别在频谱检测、信道估计、干扰识别等领域有着较为广泛的应用,是信号译码与解调的先决步骤。传统识别方法大多基于浅层机器学习方法,在实现过程中往往存在着以下三个问题:第一、传统方法对人工特征依赖度较高,需要依赖复杂的人工特征提取以满足不同信号的识别需求;第二、在复杂电磁环境下,传统方法鲁棒性较低,复杂的电磁环境对识别结果影响较大;第三、传统方法模型复杂度较高,无法满足信号识别的轻量化部署需求。本文针对上述问题,创新地将深度学习技术应用于无线电信号识别中,设计了三种基于深度学习的无线电信号识别方法,解决了无线电信号识别方法对人工特征的依赖性较高、模型鲁棒性较低、模型难以部署的问题,实现了无线电编码调制信号的精准识别。本文的主要研究内容及成果如下:1、针对信号时频图像表征的多尺度时频特点,本文设计了一种基于多尺度二维卷积网络的无线电信号调制识别方法。首先构造Wigner-Ville分布图(Wigner-Ville Distribution Map,WVDM)作为网络输入;其次,针对WVDM类间差异小且特征粒度细的特点,设计具有多尺度核与多路卷积子网络,分别提取WVDM中细粒度的多尺度、多层次化特征从而进行识别。在EMC数据集上进行了实验分析,结果表明本方法在信噪比区间为[-6,20]dB的识别率相比现有方法均有10%的提升,可以有效识别未经训练的-10dB的WVDM,验证了本方法的有效性与鲁棒性。2、针对上一章所提方法中二维卷积训练复杂度较高、参数量较大的难点,结合无线电信号具有的时序特点,提出了基于序列-序列的编解码循环神经网络调制识别方法。首先使用原始信号的IQ双通道数据作为输入,经过编码网络将信号进行特征映射至隐层特征向量,其次,经过解码网络将隐层特征向量解码进行统一表征,最后使用分类网络进行分类。在RadioML2016.10b数据集上进行实验,实验结果表明本方法在[-20,+18]dB上对比现有方法识别准确率平均提升5%,参数量相比上一章减少近90%,证明了本方法的轻量性、有效性与鲁棒性。3、针对现有深度学习模型参数量大、实际应用中部署困难等问题,本文设计了一种基于轻量级一维深度卷积网络编码调制联合识别方法。首先,直接使用原始一维信号作为网络输入;其次,构建了轻量级深度卷积神经网络,设计了多尺度卷积核和金字塔型网络结构以提取深度层级特征。在JCCM数据集上进行实验,结果表明本方法可以达到96%的整体准确率,且使用的参数量低于现有深度学习方法80%,证明了本方法具备良好的有效性与轻量性。