自动调制分类（Automatic Modulation Classification,AMC）技术是认知无线电发展中不可或缺的重要技术,它可以根据接收机采集到的信号自动判决出它的调制方式。在过去,传统的调制分类技术一直是基于可能性和特征的方法,因此它需要努力的寻找更有效的特征和分类器。近年来,深度学习采用基于决策理论和模式识别的方法来代替传统的调制信号的自动识别方式,取得了很好的效果。但是神经网络分类模型的发展主要集中在建筑工程领域,发现最先进的神经网络结构需要大量的先验知识和人类专家的努力。而神经网络架构搜索（Neural Architecture Search,NAS）是自动化机器学习的一个重要研究分支,它能够使用神经网络自动调整结构和参数,遵循搜索策略,以实现性能最大化为目标去获得研究人员需要的网络模型结构。首先,本论文将经典的深度卷积网络引入到AMC任务中来,并对数据样本和模型结构进行了略微调整。通过对各个信噪比下的调制信号的分类实验结果表明,经典的卷积网络在高信噪比下对调制信号有着很好的预测分类能力,但是这些网络所使用的计算资源代价也相对较高。同时,经典网络中的模块化设计、跳跃连接和深度可分离卷积等连接操作,对于后续NAS算法的搜索空间设计也起到了很好的借鉴作用。然后,本论文将NAS的方法引入到AMC任务中来。通过我们的仿真实验结果来看,基于NAS算法设计出的网络模型在本文调制信号分类场景下,有着和常见卷积网络相当的预测分类能力,但是NAS算法在参数量和浮点运算数方面却能够节省很多的计算资源,同时也避免了非常复杂的人工设计环节。最后,本论文针对于基于可微结构搜索策略的NAS算法来进一步的研究,从模型压缩和提高NAS算法的实用性两个角度来设计。本论文通过重新规划搜索空间的模型结构,用更少的堆叠单元以更加合理的思路去设计最终的模型,同时在搜索阶段通过部分通道裁剪去加速网络的架构搜索过程,并在每条连接的边上引入正则化操作。经过理论分析和最终的实验结果表明,通过以上思路设计的网络更加合理,对于本文AMC任务有着更高的适应性,并且能够达到预期的分类效果。