调制识别与参数估计是通信中的关键技术,通过得到传输信号的调制信息,可以为后续解调等操作提供基础。在认知无线电系统中,我们可以使用调制识别技术来尽量避免浪费频谱;在非协作通信中,准确的调制识别与参数估计结果对现代战争和社会发展两方面都起着关键作用。最近几年,由于GPU等并行处理器计算速度的爆发性提升,深度学习发展迅速。相对于传统的方法,深度学习不需要人为提取特征,设定判断规则就可以实现较好的分类结果,所以将深度学习技术应用到调制识别与参数估计中有利于提高识别的准确率。本文的主要工作内容是基于深度学习技术,对神经网络在调制类型识别、参数估计以及多任务学习上的应用进行研究,主要内容如下:（1）基于常用神经网络的层结构和优化算法,设计出适用于调制识别的卷积神经网络结构,并通过仿真不同的信道环境,探讨不同信道参数对调制识别准确率的影响。（2）对调制识别网络结构进行优化,通过残差连接、多尺度卷积、引入时序分支等方式分别进行训练和测试,通过对比测试的结果得出最优网络模型。（3）实现了调制信号的参数估计,在识别网络的基础之上,通过设计合适的代价函数以及激活函数,分别实现了符号速率和相对频率偏移这两种参数的准确估计。（4）基于调制分类和参数估计任务的相关性,通过设计多任务学习网络,同时实现了调制信号的类别输出和参数估计。