近年来,卫星通信的应用场景不断拓宽,通常会根据通信环境或者通信需求的不同采用不同的信号调制样式,同时卫星信号需要远距离传输,传输过程中会受到各种各样信道效应的随机影响,这些都增加了卫星信号调制样式识别的难度。为了能够有效识别卫星信号的调制样式,并且考虑到星载计算机计算能力与存储空间的限制,本文研究了一种可嵌入的基于深度学习的卫星信号调制样式识别算法,研究过程如下:（1）本文首先通过资料调研对信号调制样式识别的研究现状进行了总结分析,指出了现阶段基于决策理论方法、基于特征提取方法和基于深度学习方法存在的问题。基于决策理论的识别方法需要大量的先验知识,同时运算复杂度较高且适应性差;基于特征提取的识别方法通过提取专家特征进行调制识别,然而一种专家特征并不能适用于对所有调制样式,因此该方法的通用性较差;深度学习算法由数据驱动,具有优秀的特征提取能力,所以基于深度学习的识别方法拥有足够的鲁棒性和通用性,可以应对各种通信状态下的多种调制样式识别的任务。但是现阶段基于深度学习的信号调制样式识别算法通常复杂度较高,需要占用数据处理设备大量的硬件和软件资源,难以在嵌入式设备上部署应用。（2）针对现阶段基于深度学习的信号调制样式识别算法复杂度较高的问题,本文提出了一种基于多尺度时序特征的信号调制样式识别算法,在保证算法识别性能不下降的情况下,大幅降低了算法复杂度。该算法通过级联卷积网络与长短期记忆网络来构建算法模型,将原始I/Q信号作为时序数据输入,首先利用一维卷积层提取不同时间尺度的时序数据,然后通过跨层连接不同卷积层的输出实现特征的融合,让LSTM网络层能够更好、更高效地提取时序特征,最终使得算法对信号调制样式的识别达到了优秀的效果。另外,本文通过减小网络宽度、采用小尺寸卷积核和使用降维卷积单元等对网络结构进行了设计与优化,降低了本文提出算法的复杂度。实验结果表明,在信噪比大于4 d B时,本文提出算法对11种调制信号的识别准确率达到90%以上;与同等识别准确率的深度学习算法相比,本文提出算法更加高效,模型参数量降低了89%以上,训练时间缩短了17%以上。同时本文还在嵌入式设备Jetson Nano和树莓派4B上对算法进行了验证,与同等识别准确率的算法相比,本文提出算法的推理时间缩短了67%以上,因此本文提出算法更加符合嵌入式应用的要求。（3）针对卫星通信场景,本文使用GNU Radio软件无线电开发框架搭建了卫星数字视频信号处理系统,并仿真生成了6种卫星数字视频信号。通过对仿真卫星信号数据进行切片、标准化和类别标注处理后,得到卫星通信信号数据集。然后利用该数据集对本文提出算法识别卫星信号调制样式的能力进行了验证,同时针对不同输入数据长度和幅相数据输入的情况进行了研究实验。由于传输速率和接收机采样速率的变化,获取的信号样本的数据长度可能不同。实验结果表明,在高信噪比条件下,本文提出算法对不同数据长度的信号样本都能进行有效的识别,且识别准确率接近100%;在低信噪比条件下,随着信号样本数据长度的增长,本文提出算法对样本调制样式的识别准确率也越高,因为样本数据中包含的信息更多。幅相数据是卫星信号调制样式识别中常用的一种数据输入形式,可以由I/Q数据转换得到。实验结果表明,与I/Q数据输入相比,幅相数据输入在低信噪比区间的的识别准确率较低,主要是因为I/Q数据中蕴含着更多的原始信息。