信号调制方式识别属于信号识别技术范畴,能为辐射源工作模式和个体识别提供依据,在无线频谱监测、电磁对抗等应用中发挥着重要作用。相比于传统调制识别方法,基于深度学习的调制方式识别实现了电磁信号的自动特征学习,能够在调制模式复杂多变和低信噪比条件下有效提升识别性能,因此得到了学术界和产业界的共同关注。一方面,更新更深更复杂的神经网络结构帮助基于深度学习的调制方式识别性能不断提升,研究方向主要集中在神经网络模型的优化设计和识别;另一方面,在电磁环境监测和信息采集等实际应用中,电磁传感器正朝着轻量化、网络化的趋势演进。因此,迫切需要研究和实现能够部署在轻量化传感器的调制识别算法和充分运用网络化增益的数据融合方法。本文以电磁传感网络中的轻量化调制识别算法设计和数据融合方法设计这两个实际需求为牵引,在实际电磁环境中利用软件无线电技术采集信号并构建数据集、训练和部署基于深度学习的信号调制方式识别算法的重难点,开展具体工作如下:第一,本文分析了信号调制方式识别技术体系和发展脉络,从研究范式、识别性能和实际应用三方面,对比了基于判决理论的、基于手工特征设计的和基于自动特征学习的信号调制识别方法;分析了手工特征与自动特征混合的输入方式、基于电磁信号特征的神经网络模型和计算受限条件下的信号调制识别方法等三个方面的前沿研究。第二,针对计算受限的传感器平台难以承载传统高性能神经网络的问题,本文设计和实现了轻量化调制识别算法。首先,基于通用软件无线电平台设计实现了信号发射、接收和存储模块,构建了包括10种通信调制方式的数据集;然后分析了卷积神经网络的计算复杂度,设计了基于Le Net4网络的轻量化调制识别算法,并在边缘计算芯片上完成了实际部署。在获得与CNN2相当的识别准确率前提下,本文设计的轻量化调制识别方法显著降低了计算开销。实测数据集的测试结果表明,在信噪比为0d B时的识别准确率达到95%以上。第三,针对调制识别算法在低信噪比条件下识别准确率急剧下降的问题,本文设计了面向轻量化电磁传感网络的数据融合方法。首先,构建了包括频偏、相偏、多径效应等信道畸变的电磁信号数据集,训练并分析了信道畸变对轻量化调制识别算法的影响。然后,利用不同信噪比条件下的平均识别准确率和混淆矩阵,设计了基于分类器置信度和贝叶斯理论的数据融合方法。最后,通过不同网络拓扑条件下的仿真实验,验证了数据融合方法对信号识别准确率的提升,为实际环境中的电磁传感器网络设计和部署提供了量化参考。