近年来,随着物联网应用的快速发展以及市场需求的增大,传统的物联网无线通信技术如Wi-Fi、蓝牙、Zig Bee等已经无法满足大规模应用部署的要求。物联网低功耗广域网LPWAN(Low-power Wide-Area Network,LPWAN)技术的出现使得大规模远距离物联网应用的实现成为可能。作为LPWAN中最为成熟的一种通信技术,LoRa以其低功耗远距离的特点,迅速成为学术界和工业界的研究热点,而且已经被广泛地应用在智慧城市、智慧农场、物流追踪等场景中。由于LoRa网络覆盖范围大、节点通信距离远,所以LoRa信号的传输环境更加复杂多变。当环境中的噪声过大而对信号产生严重干扰时,网关难以正确检测及解调信道中的LoRa信号,导致通信质量下降。虽然LoRa可通过自适应速率机制ADR(Adaptive Date Rate,ADR)增大发送节点扩频因子实现数据的可靠传输,但是扩频因子的增大会增加传输延时以及节点能耗,且ADR机制并不适用于网络环境多变的情况。因此针对低信噪比环境下网关难以识别LoRa信号而导致网络通信质量差的问题,本文分别对低延迟网络和容迟网络两种场景下的LoRa信号识别问题进行了研究。本文的研究内容包括:(1)低延迟网络中的LoRa信号识别:针对LoRa网关在低信噪比条件下难以检测到LoRa信号这一挑战,本文提出了一种基于信号互相关性的LoRa信号检测方法,在-20d B信噪比时能准确检测到LoRa信号。在此基础上,针对低延迟的需求,设计了一种基于深度学习的低信噪比LoRa信号识别模型LT-CNN。与LoRa中通过增大扩频因子的方法相比,LT-CNN在-20d B信噪比环境下的节点能耗降低约30%,传输延迟减少约7.8s,包接收率是现有方法的2.8倍。(2)容迟网络中的LoRa信号识别:针对一些延迟容忍但识别率要求高的需求,本文利用基于分数阶傅里叶变换的滤波算法对低信噪比LoRa信号进行预处理,并设计了一种高精度的低信噪比LoRa信号识别模型Fr-CNN。与LoRa中通过增大扩频因子的方法相比,Fr-CNN在-20d B信噪比环境下节点能耗降低约40%,包接收率是现有方法的3.6倍。