随着时代的发展,无线电通信已经渗入到我们的生活。城市电磁环境日益复杂,很多伪基站、黑广播、干扰信号等非法信号滥用频谱资源,严重影响日常生产生活,给无线电管理工作带来了挑战。信号检测是无线电管理的核心技术,信号检测方法的研究对于无线电管理具有重要的意义。传统信号检测方法具有实时性好、易于工程实现等优点,但其检测性能对门限选取较为敏感,因此复杂电磁环境下门限如何选取成为传统信号检测方法的难题。为此引入近年来在图像目标检测领域得到广泛应用的深度学习方法,通过神经网络自动识别信号频域特征,无需人为设定检测门限。本文首先研究了基于短时傅里叶变换的卷积神经网络信号检测算法,该算法通过信号短时傅里叶变换提取时频图特征,采用卷积神经网络分别搭建信号检测模型、频率位置检测模型和调制方式识别模型,利用实验平台采集大量不同带宽、信噪比、调制方式、频率位置的真实数据完成模型训练与算法性能测试验证。实验结果表明,该算法检测性能与传统信号检测方法的性能相近,但不再受制于门限的约束,使得该算法在复杂电磁环境背景中具有更高的实用价值。本文接着提出一种基于修正周期图的神经网络信号检测算法,该算法通过修正周期图计算获得一维频谱特征,采用基于形态学滤波的方法降低频谱数据的随机起伏,并使用卷积神经网络搭建信号检测模型,利用大量实采数据对模型性能进行分析,并研究了模型关键参数对其性能的影响。针对多目标信号检测需求,最后提出了一种基于滑动窗口的多目标信号检测算法,该算法增加了检测耗时,但能够区分多个频率位置不同的目标信号,且显著降低了检测信号频率的误差。