调制方式是区分不同性质通信信号的一个重要特征，而要获取通信信号的信息内容，就必须知道信号的调制方式和调制参数。给定一段接收的通信信号，调制识别的目的就是在未知调制信息内容的前提下判断出通信信号的调制方式，并估计出相应的调制参数。随着通信信号调制样式的多样化和复杂化，信号环境越来越密集，通信信号调制识别在军事和民用方面的作用越来越重要。　　 本文首先采用经典的特征值法，输入动量BP(Back-Propagation)神经网络完成调制方式的识别及分类。并在MATLAB环境下，用仿真产生的信号分别对该网络进行训练和测试，验证了本文采用的动量BP神经网络分类器具有良好的分类能力。　　 在此基础上将小波变换、信息熵理论、神经网络有机结合起来，提出了一种基于小波能谱熵的离散小波神经网络，实现了多种常用数字调制信号的调制识别。小波神经网络主要由小波和BP神经网络两部分组成。小波层由离散小波变换(DWT)和小波能谱熵组成，主要用于特征提取，即首先利用小波多分辨率分析(MRA)和Mallat算法采用自动消噪函数对信号进行阈值去噪，然后对降噪后的信号进行离散小波分解，提取各级细节信息，计算其小波能谱熵作为特征向量。BP神经网络主要用于分类。本文采用不同小波输入神经网络进行仿真，对各小波分解滤波器的性能、收敛速度和识别正确率进行了仿真，确定了最佳小波函数，然后研究不同小波分解层数对网络识别正确率的影响以及小波神经网络对噪声的鲁棒性。与动量BP网络比较，基于小波能谱熵的小波神经网络收敛速度更快、识别率更高且更稳定。