在非协作条件下，通信信号的调制方式识别和参数估计是信号得以正确解调的前提。如今通信环境日渐复杂，信号的调制类型逐渐多样化，这会加大信号调制识别和参数估计的难度。
　　随着计算机算力的提高，在人工智能领域中，深度学习算法渐渐崭露头角，开始在不同的领域得以应用。目前，将深度学习技术应用到调制识别领域已成为该领域的主流研究内容。因此，本文利用深度学习算法对数字信号调制方式的识别和参数估计进行了深入研究，主要研究内容如下:
　　对于低信噪比(Signal Noise Ratio，SNR)下数字信号的识别准确率较低的问题，本文在基于卷积神经网络(Convolutional Neural Network，CNN)的调制识别算法基础上做出改进，将CNN与双向长短期记忆网络(Bi-directional Long Short-Term Memory, BiLSTM)、注意力机制相结合。先通过CNN直接提取信号的空间特征，再将特征送入BiLSTM，进一步提取信号的时序特征，最后利用注意力机制计算特征信息的注意力分布，对特征信息的重要程度进行区分，对11种常见数字信号的调制方式进行识别。仿真结果表明，本文改进的算法可以提高低信噪比下数字信号调制方式的识别准确率。为了进一步验证该算法的性能，本文还与经典的机器学习算法和CNN等算法进行了对比分析，发现本文改进的算法对数字信号调制方式的整体识别效果好于对比算法。
　　对于低信噪比下数字信号的参数估计误差较大的问题，本文对现有方法做出改进，将CNN与BiLSTM和注意力机制相结合，构造一种回归算法模型。先利用CNN提取信号空间特征、再利用BiLSTM提取信号时序特征、最后结合注意力机制，利用这种回归模型对上述数字信号的载波频率和码元速率两种参数进行估计。同样选取经典机器学习算法和CNN等算法进行对比分析。结果表明，与经典算法相比，本文改进的算法在低信噪比下的估计误差更小。