解调误码率是影响无线通信系统性能的关键因素,基于特征表达的神经网络可以对接收信号进行正确有效的判决。在认知无线电和智能通信等领域,接收端需要对不同调制类型的信号进行准确的识别与解调,深度学习网络可以根据调制类型的变化及时地改变判决规则,同时,深度学习网络的运行模式可以降低解调系统的运算复杂度。首先,针对MPSK、MQAM和MAPSK数字调制信号,本文提出一种基于SAE网络的确知信号解调方法,利用SAE网络对基带采样信号进行特征提取,经Softmax分类层输出解调比特流。仿真结果表明在加性高斯白噪声和多径衰落信道环境下,基于SAE网络的解调方法比传统相干解调方法性能提升3～5dB,同时比传统相干解调方法具备更低的运算复杂度。其次,针对未知调制类型的信号,本文设计了一种基于单一 SAE网络架构的盲解调系统模型。仿真结果表明在AWGN信道环境下,当调制类型较少时,基于单一 SAE网络的解调方法比传统相干解调方法性能提升4～5dB。最后,针对MPSK和MQAM信号,本文提出了一种基于调制识别和多网络架构的盲信号解调方法。仿真结果表明,在多种调制类型系统中,本文提出的调制识别方法比现有方法具备更高的识别准确率,同时可以对信号实现高性能的解调。