矿井信息化是煤矿安全生产的有效保障,而矿井多个信息子系统往往采用不同的信号模式,形成一体化信息系统必须实现多系统融合,多模信号的检测识别是多系统融合的关键。本文研究矿井环境对信号特征参量的影响,以支持向量机(SVM)作为分类器,建立矿井环境多模信号的分类识别模型,对井下多系统的研究与融合提供理论基础。针对矿井环境对信号的调制识别进行研究,选用模式识别方法,其分为特征参数提取和分类器设计两大部分。针对特征参量提取问题,选取信号的四阶累积量作为特征参量,分析并得出信号在高斯白噪声信道下的二阶矩、四阶矩以及四阶累积量值;在此基础上,进一步分析信号四阶累积量与阴影衰落和小尺度衰落的关系,并得出其经过这两种衰落信道的表达式。针对分类器设计问题,选取SVM作为目标分类器,以信号的四阶累积量作为SVM的输入,分别在二叉树分类器、一对余类分类器、一对一分类器以及决策树分类器情况下,实现对BPSK、OFDM、16QAM和64QAM四种信号的分类识别。仿真结果表明,决策树分类器识别效果较一对多分类器效果差;基于SVM算法下的三种分类器识别性能相当,且在低信噪比下,识别效果不理想。针对普通SVM分类器在低信噪比下低识别率的问题,提出优化SVM分类识别的方法。将数据样本集分为测试数据集和训练数据集,使用粒子群算法和遗传算法对训练数据集中SVM的惩罚因子和核函数进行寻优处理,得到优化的SVM模型,并用此模型对测试集进行测试分类。文中使用Matlab平台环境进行仿真,仿真结果表明,在信噪比为-5dB的三种信道环境下,四种信号的平均识别率均能达到80%以上;在信噪比大于-3dB的三种信道环境下,四种信号的平均识别率均能达到90%以上。