调制识别是通信系统中一个重要的研究领域。调制识别技术在民用和军事领域中的无线通信中的信号监测、信息截获、干扰识别和电子对抗等方面有着广泛的应用,是认知无线电、频谱感知等领域研究的基础,因此这一技术的研究一直以来都是通信中的热门研究内容。目前大多数已知的自动调制识别的算法都很大程度上依赖于特征选取以及分类器的选择,分类器与特征选择是否匹配将直接影响到调制识别的效果。近年来,随着大数据时代的来临以及计算资源成本降低,深度学习技术不断取得新的进展。深度学习以数据为驱动,能够直接从海量数据中学习到复杂特征的表达。其中两种典型的深度学习网络:卷积神经网络和长短期记忆网络已经在多个领域取得了空前的效果。在本文中,使用深度学习的方法来提升调制识别的鲁棒性。本文对于模拟和数字调制方式,实现了一种自动调制识别的方法。接收端不需要知道接收信号任何调制类别相关的信息,本文利用深度学习的方法对接收信号实现自动调制识别。关于深度学习在调制识别中的应用,之前有研究者尝试过使用卷积神经网络结构对调制信号进行识别,结果表明该算法相比于传统的分类器,有着更好的分类效果。然而基于卷积神经网络的调制识别算法,没有能够将信号的时序特征更好的利用起来。为了有效挖掘调制信号在时序和空间上的相关性,本文构建了卷积神经网络之后接长短期记忆网络的深度学习网络结构作为分类器,首先利用卷积神经网络提取信号空间的特征,再使用长短期记忆网络提取到信号的时序相关性。实验结果表明提出的网络结构与之前提出了仅仅考虑空间相关性的基于卷积神经网络的调制识别算法以及传统的支持向量机算法相比分类识别率有了明显提升。同时,为了减少深度学习网络结构中的参数计算,本文还提出了基于加权迭代最小二乘的反向传播算法来更新网络参数。实验结果显示提出的算法能够使得网络参数更加稀疏,同时保持了识别性能几乎不发生明显变化。说明该算法能够在一定程度上减少参数计算量,具有一定的实用价值。