近年来,随着人工智能（Artificial Intelligence,AI）和深度学习技术的迅速发展,Morse信号在自动识别方面迎来了新的契机。传统的Morse信号识别主要依赖人工进行听记和识别,也有依赖传统的机器学习方法进行识别,但是在识别的码速率、准确率、噪声自适应方面性能不足。目前在军队还保留专门的号手,对收到的Morse信号进行听记和翻译,占用较高的人力。深度学习在图像、语音、自然语言等方面有了极大的应用发展。Morse信号识别和目前深度学习应用领域,有很多相似的地方,因此将深度学习应用到Morse信号识别领域,不仅能够解决传统的方法识别Morse信号带来的不足,也能拓宽深度学习应用领域。本研究主要利用Pytorch深度学习框架、全连接神经网络（Fully Connected Neural Network,FCNN）、卷积神经网络（Convolutional Neural Network,CNN）和门控循环单元（Gated Recurrent Unit,GRU）神经网络结构搭建了一套基于深度学习的Morse信号识别算法。本实验生成的数据集根据指定的Morse信号频率、采样率、在指定范围内随机产生Morse信号的码率、幅度和干扰噪声等指定参数进行数据集的生成,并用于训练和测试。本研究针对Morse信号常用的42种字符搭建了两种Morse信号识别网络结构,并通过测试对比这两种网络结构模型,选出性能更好的模型。第一种是基于卷积循环神经网络（Convolutional Recurrent Neural Network,CRNN）的Morse信号识别模型,并且在测试集上准确率达到了97%,第二种是基于GRU的Morse信号识别模型,在测试集上的准确率为94%左右,选出准确率较高的模型进行部署。本研究利用比较选定的性能更好的模型搭建了一个可以对Morse信号进行识别的解码服务子系统。经过对该子系统的测试表明,应用程序能够通过调用子系统提供的接口对Morse信号进行实时识别。