在数字通信技术中,接收端的调制识别是信号解调和信号分析的关键环节,只有正确识别出信号的调制方式,才能更好地完成后续的信号处理任务。传统的调制识别算法(Modulation Recognition,MR)大多是基于Nyquist采样定理进行的,该定理要求采样速率不得低于接收信号带宽的两倍。而随着通信技术的发展,信号带宽逐渐增大且传输的数据量也急剧增加,因此用Nyquist速率采样将会给采样器件ADC(Analog to Digital Converter,ADC)带来极大的挑战,对得到的大量采样数据进行存储和传输时也会造成接收成本的提高。在这种情况下,本文引入了压缩感知技术(Compressed Sensing,CS)来对接受信号进行压缩采样,并利用低速率采样数据重构出信号的识别特征量,完成信号调制方式的识别。本文着重研究调制识别算法和压缩感知理论,提出了基于高阶累积量(High-Order Cumulants,HOCs)和压缩采样的调制识别算法(CS-HOC算法)。在提出的CS-HOC算法中,分析了信号的压缩采样经过沃尔什-哈达玛变换(Walsh-Hadamard Transform,WHT)后所表现出的稀疏性,建立了压缩采样向量和高阶累积量之间的线性关系。在实际的接收端中,可以通过信号的压缩采样重构出其高阶累积量特征,并基于此识别特征完成信号调制方式的识别。在推导出的压缩感知基本方程中,感知矩阵是结构简单、运算较快的部分哈达玛矩阵,使得系统的复杂度较低。针对混合调制信号,本文研究了其特征量提取和信号同步之间的关系,并将单调制信号的CS-HOC算法扩展到混合调制信号的识别问题当中。在假设单调制信号数目已知的情况下,对混合调制信号进行同步定时处理和压缩采样,并基于该压缩采样重构出信号的识别特征量,并用此特征量作为SVM(Support Vector Machine,SVM)分类器的样本参数进行训练。类似地,在实际的接收中,通过对信号进行压缩-重构得到预测样本,基于训练的SVM分类器完成混合调制信号的识别。通过仿真表明,CS-HOC识别方案既能很好地识别单调制信号,同时对混合调制信号也具有一定的识别率,证明了提出的算法的正确性和有效性。