自动调制识别(Automatic Modulation Classification,AMC)是信号解调中的一个关键步骤,对后续的解调工作至关重要。在非协作通信系统中,由于调制方式的多样性和通信环境的复杂性,往往会接收到未知调制方式的通信信号。如何有效地识别信号的调制方式,成为了一个重要的研究课题。在基于特征的AMC算法中,大多是通过人工设计特征再进行特征提取和识别来实现的,所以在信号预处理时需要较大的计算量,并且不具备较好的鲁棒性。由于深度学习在模式识别方面的突出表现,本文提出了两种基于深度学习的AMC算法。针对于11种常见数字调制信号,本文设计了一种残差网络模型,实现了在高斯白噪声下的数字调制信号的识别。该模型和卷积神经网络(Convolution Neural Network,CNN)模型的区别在于能够有效缓解梯度消失的问题,在一定程度上能够加速训练和收敛。仿真结果表明,采用自适应学习率的残差网络能提供更好的识别效果。当信噪比大于0dB时,识别率达到了96%。相较于其他深度学习模型,残差网络模型拥有更快的收敛速度和更高的识别率,由此证明了该算法的有效性。针对于6种不同调制方式的正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)信号,本文设计了一种CNN模型,实现了在多径衰落信道下的OFDM信号的识别。首先对接收到的OFDM信号进行预处理操作,将复数信号转换为星座图的像素矩阵,利用不同调制方式星座图的差异性作为识别特征,搭建了CNN模型完成调制方式的分类。仿真结果表明,所提出的CNN模型在信噪比大于10dB时,识别率达到90%,并且在不同信道环境中的识别率都在87%以上,由此证明了该算法的鲁棒性。综上所述,将深度学习应用到AMC中是一种可行的方法,并且有更好的识别性能和更强的适用性。