5G的正式商用推动了通信行业的进一步发展,同时导致通信环境更加复杂、信号调制制式更加多元化。通信系统终端接收信号并解调出信号携带信息,此过程中调制信号制式的识别是一个重要的研究方向。目前,调制信号的识别主要有两大类方法,基于决策理论的识别方法和基于特征工程的机器学习分类方法。这两类方法具有完善的理论基础,但需要充分的先验知识和繁杂的理论推导,在低信噪比下,由于受到信道环境的影响,对通信信号的识别性能较差。因此,本文对基于深度学习的调制信号制式的识别进行了研究,该方法无需人工参与或数据统计,能够从原始数据自动提取特征并进行多类调制信号制式的识别,本文的主要内容如下:首先,本文介绍了深度学习的一些基础知识,包括了基本的神经元结构及其相对应的前向传播算法和反向传播算法。在后续文章中主要用到了卷积神经网络、循环神经网络和全连接神经网络,因此,对这三类网络在数学原理上进行了介绍。其次,本文研究了在其他领域中热门的深度学习模型,对部分模型进行了实现并成功应用到调制制式识别领域中,并设计了适用于调制信号识别的CLDNN端到端网络模型,该网络模型相比于其他深度学习模型具有更高的识别效率和识别精度。后续将该识别方法与传统的基于机器学习的识别方法进行比较,验证方法的高效性。实验结果表明:所提出的网络模型能够同时识别11类数字、模拟调制方式,在低信噪比下识别率相比于现有方法有所提升,当信噪比在-4d B以上时,对多类调制信号的平均识别率在95%左右。后续分析了构成网络的参数对CLDNN分类效率的影响,包括了不同卷积层数、卷积核的大小及数量、长短期记忆层网络的影响,并从识别精度和分类时长两方面进行了对比,最终确定了一系列相对理想的网络超参数。最后,设计了一种通信信号的调制识别方法,将由CLDNN提取的深层特征与传统的人工提取特征如谱特征、高阶累计量特征结合成特征向量,归一化后采用集成学习作为分类器进行信号的识别。仿真结果分析,基于特征融合的调制识别方法在识别精度上进一步提升,优于前文方法。