自动调制识别（Automatic Modulation Classification,AMC）是在通信信号调制样式未知的前提下,在接收端进行调制识别的技术,能够辅助解调器选择正确的解调算法,并保证接收端获得有用信息。随着现代通信环境中电磁影响日益复杂,通信业务数据量爆发式增长,调制识别系统需要在数据增量的过程中不断学习新的调制类别和信号特征,逐渐获得更强的调制识别能力。如何保证调制识别系统增量式、持续性地学习新知识,以适应复杂多变的通信环境,在现代通信场景中具有重要的研究意义。本文以信号调制理论为基础,针对上述问题进行了基于增量学习的通信信号调制识别研究,主要研究内容如下:（1）本文首先在传统调制识别方法的基础之上,利用星座图理论,通过统计像素内点数得到网格星座图,通过k-d树算法绘制彩色星座图,并在此基础之上展开研究。相比于普通星座图,该方法保留了信号更完整的特征,进而提高识别准确率。其次,现有的调制识别系统在遇到新的调制类别时,无法增量式地获得对新类别的识别能力,往往只能重新训练整个模型以适应新场景。针对这一问题,本文在新的信号表示方法之上,通过挑选平衡子集、增加矫正层等方法,完成基于类别增量的通信信号调制识别,保证调制识别系统可以在较少的计算量和较小的存储压力前提下,增量式地学习新的调制类型。（2）在实际应用中,经常会出现信号调制类别不变但信号某些特征发生改变,从而导致调制识别准确率下降过大的情景。针对这一问题,本文选择信噪比作为控制变量,研究在信噪比快速下降的情景下,如何设计基于样本增量的调制识别方法,让系统增量式地学习新样本的特征,并尽可能不影响其对旧样本的记忆,通过这种方法提高系统对低信噪比信号的识别准确率,同时还能在很大程度上减少训练时间和训练成本,提高模型的灵活度和扩展性。该方法还可以扩展到信号其他特征改变导致识别率下降的场景,让系统可以适应各种复杂的通信环境。