随着通信技术的迅猛发展,通信环境也变得更加复杂,新型的信号调制样式也越来越多。在非协作通信领域,接收机对信号进行解调的基本前提就是必须要知道接收信号的调制方式及相关参数,而传统的硬件电路已经满足不了信号调制样式的多样性,于是便出现了微电子技术和计算机技术结合的软件无线电技术,其思想就是采用一个通用的数字信号处理平台,信号的调制解调都可以在软件模块中设计,其中信号的自动调制识别作为软件无线电的核心技术之一,也成为了当前的研究热点。本文对软件无线电平台下数字信号的调制样式识别进行了研究分析,在研究瞬时特征与卷积网络的基础上,提出了多路特征融合方法实现对数字信号的调制识别,并对文中研究的各类方法的实验结果进行了对比分析。首先,论文对软件无线电在信号处理方面的主要技术做了简要介绍,以6种常用的数字调制信号模型及其调制特征为例,说明其工作原理。在真实的电磁环境条件下,基于两台软件无线电硬件设备,搭建了数据发射和数据接收平台,接收端通过空间无线信道来采集发射机的调制信号,以此作为本文研究方法的输入数据集。由调制信号的瞬时特征,来实现调制识别方法,采用实验及仿真对瞬时特征的门限值进行取值、调整与优化。其次,研究了图像分类领域能力强的卷积神经网络（Convolution Neural Network,CNN）在调制识别上的应用。针对基于瞬时特征方法中人为确定分类阈值的缺点,在前人对CNN网络研究的基础上搭建了适用于本文的调制信号的CNN模型,根据采集的时域数据特点,对数据集进行时域切片处理,形成适合CNN网络的输入数据集,通过对不同结构的CNN网络做实验对比,选出最优的结构参数,以此实现本文的CNN模型设计。由于其不需要人为对信号进行分类特征的划分,其能够自动学习分类特征和分类规则,并且卷积核的滤波特性能够降低噪声对信号的影响,解决了基于瞬时特征的识别方法在低信噪比下的识别率低的问题。最后,研究设计了基于多路特征融合的识别方法,将信号人工提取的瞬时特征、CNN网络提取的时域特征以及CNN提取的时频图特征进行融合,将新的特征向量通过全连接神经网络分类器进行识别分类。对于三路特征维度的不一致问题,通过改变模型的卷积层结构,使不同的网络输出的特征均为一维的特征向量,用特征串联的形式进行融合,最后经过分类器进行分类计算。该模型通过特征融合的方式,使不同特征的优势得到互补,在进一步提高调制识别性能的同时,解决了 CNN网络在识别过程中存在的类与类之间识别混淆的问题。