为了提高系统的传输有效性和可靠性,通信信号采用了不同的调制样式,将调制信号转换成适合于信道传输的已调信号。在信息化战场上,调制识别技术广泛应用于卫星测控对抗、侦察干扰子系统、导弹、机载、舰载及地面通信截获接收机等方面,为截获通信情报,首先要识别出信号的调制样式,才能正确解调以及进行随后的信息分析和处理。本文以某研究所“XX智能处理技术”项目为依托,研究了通信信号调制样式智能识别技术,主要工作如下:(1)构建有效特征向量,实现基于人工特征的调制识别算法。从待识别信号的特性分析入手,提出3个基于信号功率谱与高次方谱的新特征参数,连同时域瞬时特征、变换域特征与高阶累积量特征,组成20维的有效特征向量,并利用四层全连接的BP神经网络对其进行分类,算法对采集的14种实采信号的识别准确率为97.5%,并且在信噪比大于等于-5dB时对18种仿真信号的识别准确率高于90%。(2)基于深度学习理论,对信号时频图进行端到端的调制识别。首先,通过连续小波变换、图像灰度化和双三次插值法对信号进行预处理,得到固定尺寸的时频图;然后,借助AlexNet模型与迁移后的Inception-ResNet-v2模型,利用网络取代人工自动提取特征,实现基于卷积神经网络的调制识别;最后,利用不同信噪比下的仿真信号与实采信号进行性能测试与分析。(3)通过在线拼接人工特征与自动特征,设计组合式模型。借助迁移后的Inception-ResNet-v2模型,从信号时频图中提取自动特征,将其与8维人工特征向量进行拼接后利用两个全连接层完成分类,实现了对已有模型的改进,得到了识别效果更优的组合式模型。模型对采集的14种实采信号取得了99.19%的识别准确率,并且在信噪比大于等于-5dB时对18种仿真信号的识别准确率高于92%。(4)设计三元组网络模型,实现对已有深度学习模型的改进。借助迁移后的Inception-ResNet-v2模型,搭建合适的特征提取子网络,利用特征向量的欧式距离评价输入时频图的相似度,并通过设计合理的样本判决方法,实现了对已有信号与新增信号的识别,增强了模型的可扩展性。模型对采集的14种实采信号的识别准确率接近100%,同时可以完成对3种新增实采信号的有效识别。本文的研究工作及成果完全达到“XX智能处理技术”项目对通信调制样式智能识别技术的要求,对该项目的顺利实施与结题验收发挥了重要作用。