调制信号的盲识别是信号解调和无线电信号认知等多个领域的基础。当前调制方式识别算法大致分为三类。第一类是基于特征提取的调制方式盲识别,是当前最为成熟的识别技术,但复杂性会随着调制信号种类的增加而增加;第二类是基于似然估计和概率论的调制方式盲识别;第三类是基于深度学习的调制方式盲识别。由于深度学习具有较好的特征自动提取能力,因此本文使用深度学习作为识别基本算法,主要完成工作如下。首先,针对当前深度学习调制方式盲识别算法的研究集中在将所有的调制信号输入网络进行识别,没有判断识别效果不好的信号是否都适合该网络的问题。本文通过分析,将特征提取和卷积神经网络结合,将调制方式进行拆分,针对不同调制方式,分别训练小网络。一方面针对单独使用卷积神经网络识别效果不好的信号,识别效果有一定的提升。另一方面,针对单独卷积神经网络识别很多信号训练时间长的问题,减少了网络的训练时间。其次,针对当前深度学习调制识别算法的研究主要集中在对输入数据的数据量和卷积神经网络的层数,没有分析不同的数据格式和数据类型是否会影响网络识别率的问题。本文通过对输入数据的格式进行研究,将输入卷积神经网络的数据输入格式进行转换,增强了对IQ信号的特征提取,从而提升了算法的识别率。另一方面,本文将输入网络的数据类型进行转换,针对不同的调制信号,使用不同的输入类型进行识别,针对不含频偏和相偏的含噪信号,识别效果有一定的提升。最后在为网络选用参数时,本文将贝叶斯优化参数算法应用于调制方式识别算法,实现超参数的选择和优化,通过对深度卷积神经网络参数的有效选取,降低了网络参数选取时间,增强了网络合理性。然后分别使用SGDM优化器、RMSProp优化器和Adam优化器进行网络优化,最终找出适合盲识别算法的优化器;最后,使用信号源和接收机对实际信号进行平台搭建,实现对实际采集的信号进行调制方式识别。