随着加权分数傅里叶变换(Weightedtype Fractional Fourier Transform,WFRFT)在未来混合载波通信领域的更广泛应用,一种新的混合载波通信体制逐步建立与普及。对于一个新的载波体制,需要对其包括有效性、稳定性和保密性等各方面性能进行更完整详细的评估。由于WFRFT具有一定的抗截获抗识别能力,信号的盲识别和盲解调也提高了要求。本课题在这一背景下,提出对基于WFRFT的混合载波通信系统的信号进行参数识别的方案。首先,本文介绍了WFRFT的发展过程,说明了WFRFT的原理,并给出了其离散表达式。并且结合通信工程的实际应用,说明了WFRFT的物理含义,描述了基于WFRFT的数字通信系统模型。接着分析了WFRFT信号的几种信号特征以及抗扫描特性。其次,本文介绍了高阶累积量(High-order Cumulants,HOC)原理,通过仿真观察了单载波多载波以及混合载波条件下的高阶累积量分布情况。发现高阶累积量特征确实有区分调制方法的能力,并依此构建了单载波多载波调制识别决策树。设计基于高阶累积量的拟合函数方法和区域识别方法,以识别已知调制方式下的WFRFT信号的α参数。然后设计了一种扫描法和一种判决方法,用于识别未知调制方式下的WFRFT信号的α参数。最后,本文介绍了神经网络和深度学习方法,其中对卷积神经网络(Convolutional Neural Network,CNN)和BP(Back-Propagation)神经网络做了原理上的介绍。然后构造了端对端CNN模型和基于HOC特征的BP神经网络模型用于识别WFRFT信号的α参数值。对几种参数识别方案进行了对比与分析。