自动调制识别（Automatic Modulation Classification,AMC）是一种识别未知信号的调制方法,它是进行调制信号解调的必需步骤。AMC在许多方面如认知无线电、电子战等都有十分广泛的应用,尤其在非合作通信中占有举足轻重的地位。由于多类型的调制模式以及复杂的信道环境常常会导致出现无法确定调制类型的接收信号,因此,如何采用更高效准确的自动调制识别算法,从而确保信息数据的准确性以及安全性就会显得非常必要。目前,AMC已成为一个热点研究方向,不管是在民用领域还是军事领域都具备非常重大的意义。传统的AMC算法都是依赖于信号的先验知识以及人工经验提取特征,不仅工作量大,计算复杂,而且在精度方面也存在着很大的限制。近年来,由于深度学习（Deep Learning,DL）的不断发展及其展示出来的优异性能,本文基于深度学习,提出了一种改进的基于卷积神经网络（Convolutional Neural Network,CNN）的AMC算法。首先,本文介绍了常见的模拟调制类型与数字调制类型,针对不同调制类型的原理以及特点,推导出它们的时域表达式,并展示了其时域波形图。然后对基于特征的AMC算法中的常见特征如时域特征、瞬时特征、高阶累积量以及星座图特征进行了细致介绍。针对不同特征的区分原理,详细阐述了其所适用的调制类型以及存在的优缺点。然后,针对现有的机器学习算法如支持向量机以及集成学习,本文对其分类原理以及数学模型进行了非常详细的阐述。其次在神经网络的介绍基础上,对目前常用的CNN网络、残差网络以及长短期记忆网络进行了深入的研究。基于三种神经网络的主要构造及核心思想,搭建网络模型,并针对它们的适用场景以及存在的优缺点加以详细论述。最后,针对正交频分复用（Orthogonal Frequency Division Multiplexing,OFDM）信号的调制识别,摒弃传统的基于特征提取的方法,本文提出了一种改进的基于CNN的AMC算法。改进算法中,首先采用快速傅里叶变换对输入信号进行预处理,并在构建的CNN模型中引入2l正则化,最后实现对BPSK、QPSK、8PSK以及16QAM调制信号的分类。实验结果显示,在信噪比超过0 d B的情况下,该方法的识别率可达95%以上。与其他基于深度学习的AMC算法相比,该算法具有更好地收敛性与分类精度,由此证明该算法的可行性。总而言之,在AMC系统中引入深度学习是一种切实可行的方法,具有较好的分类效果和较强的适用性。