无线电波根据频率被划分为不同频段,合法无线电通信收发方需将其使用的信号调制方式和频段报备给有关部门经过批准后方可使用。如果其他无线电设备非法占用了专用通信频段,将可能对正常社会生产生活造成危害。调制识别技术是无线电通信中一项关键技术,通过识别无线信号调制方式很大程度上可以筛选出非法干扰信号。现有调制识别技术存在运算缓慢的问题,且对于较低信噪比(Signal-to-noise ratio,SNR)情况下,其识别稳定性不足。针对以上问题与不足,本文提出基于深度学习的级联神经网络调制识别系统,通过将两种神经网络串联作为分类器,实现高精度调制识别功能。首先,利用第一级神经网络学习信号同相和正交分量(In-phase&Quadrature,IQ)特征,并从中筛选出有效信号;然后,通过频谱搬移算法和傅里叶变换提取信号时频图,并通过第二级神经网络学习信号时频特征以识别幅度调制(Amplitude Modulation,AM)、频率调制(Frequency Modulation,FM)、相移键控(Phase-shift kerying,PSK)三种大类调制信号;对识别出的PSK大类调制信号,进一步提出有效码元聚类算法与频偏补偿算法,提取信号密度矩阵这一特征,并结合K调和均值聚类算法与K-means算法,对提取的密度矩阵进行2次聚类突显密度矩阵聚类分布;最后,利用第二级神经网络学习信号密度矩阵分布特征,进一步识别二进制相移键控(Binary Phase-shift Keying,BPSK)、正交相移键控(Quadrature Phase Shift Keying,QPSK)、八移相键控(8 Phase-shift Keying,8PSK)三种 PSK 子类信号。通过实验可以证明,在SNR为6～10dB情况下,本文提出的算法相比现有调制识别方法,在识别精度与系统稳定性上均有提升。