信号调制方式识别是指在未知调制信息的情况下对接收到信号的调制类型做出正确判断。通信信号调制识别不仅在民用领域意义重大,在军事及国家安全方面也都发挥着至关重要的作用,在电子战中,快速准确地判断出未知信号的调制方式是制胜的关键。在人工智能浪潮下,将机器学习算法与调制识别技术结合已经成为了发展趋势。本论文“基于机器学习的数字信号调制识别及FPGA设计与实现”主要研究基于机器学习的调制识别算法和神经网络的硬件实现方法,目的是在FPGA开发板上完成数字调制信号的识别,实现硬件搭建的神经网络既能基本达到软件实现网络的识别准确率,并且训练速度又远高于软件的目标。系统仅使用乘法器和加法器IP核,所有功能模块均是自行设计实现,有利于不同FPGA平台移植。首先,研究了一种基于瞬时特征的调制识别算法,并分别用了决策树和神经网络分类器对调制信号进行了分类。在使用决策树对调制信号进行分类的过程中,通过仿真确定了各特征参数的门限值并根据各参数对信号进行识别,实验表明,高信噪比下信号的识别率较高,当信噪比大于14d B时,整体识别率均在95%以上。基于神经网络的调制识别算法仿真结果表明,神经网络具有灵活性高、鲁棒性强的优点,在调制识别过程中表现出了优异的性能。然后,针对一些实时性要求高的场合,以及神经网络在处理大量样本或者层数、各层神经元个数增加时会使得训练时间成本增加的情况,本文基于BP神经网络算法推导出FPGA实现BP神经网络的硬件结构,用硬件描述语言实现了BP神经网络。分析了硬件实现过程中的关键问题并给出解决方案,详细介绍了各模块的实现过程。通过对状态机的设计,让各个模块之间能够有序地运行,并且通过仿真验证了各个模块功能的正确性。最后,在FPGA上实现了数字信号调制方式的识别。通过整体功能仿真及上板实验,在误差允许范围内,硬件功能正确。实验结果表明,在网络结构相同及硬件时钟频率为50MHz的条件下,FPGA实现的网络与软件实现网络对调制信号的识别准确率相差在1%左右,并且硬件训练速度和软件相比,提高了2个数量级,从而说明基于FPGA的神经网络计算架构具有重要的现实意义,为信号调制识别实时性要求高的场合提供了一个新的思路。