无线信号在传输过程中由于受到信道中存在的随机噪声和干扰的影响,通信质量受到很大程度的影响,从而影响接收端对信号的分析。因而通过抑制通信信号中的噪声及干扰,达到信号增强的目的,一直以来是通信信号处理的主要研究方向之一。然而,传统的信号增强方法是利用噪声或干扰的先验信息,映射到可分离的变换域以进行分离,如带通滤波等方法。但是,由于噪声及干扰的随机特性,人工构造相应的可分离变换域往往需要对噪声及干扰的较强先验。本课题基于深度学习强大的特征提取与学习能力,提出了端到端自学习去除信号中的噪声和干扰的新思路,通过学习信号与噪声及干扰的可分离变换,实现信号增强。本文的具体工作及创新包括:首先提出一种基于深度学习的嵌入式卷积自适应滤波模块。通过构造端到端信号检测网络,设计滤波增强模块并嵌入到应用网络;在自适应滤波层之后引入注意力机制,以描述各个滤波器的重要性并增强滤波器提取信号特征的能力。最终通过与基线对比网络的信号检测准确率、观察增强过程前后滤波器及信号频谱的变化、挤压-激活块分配给不同滤波器的权重,来分析自适应滤波模块的自适应性和鲁棒性。为了解决卷积神经滤波增强单元必须要建立端到端网络监督其生成,且对同频干扰和噪声消除不够理想的问题,我们在生成对抗的框架下设计并实现了一个端到端的无线信号增强网络(WSEGAN)。主要对目标函数针对无线信号进行了改进,并采用控制变量的方法证明目标函数各组成部分的重要性。最后通过大量实验来验证网络的自适应性、鲁棒性和通用性能力,证明了 WSEGAN可达到非常好的信号增强性能。为了在应用网络中验证基于深度学习的增强模型的效果与适用性,本课题设计调制识别作为融合信号增强模块的应用场景。分别搭建不含信号增强模块的端到端调制识别网络、基于卷积神经网络可嵌入自适应滤波增强单元的调制识别网络、基于生成对抗的无线信号增强模型的调制识别网络。网络训练完成后输入测试集对比信号增强前后的调制识别效果,通过时频分析、误码率来对比分析两种增强模块的效果。