一般情况下，可以把调制方式的识别一般分为三个典型部分：数据预处理模块、特征向量的提取模块和分类识别模块[3]。不管调制方式如何变化，它总是可以用一个模式识别问题来说明。模式识别阶段的大致流程如图1.4所示。
  图1.4 调制识别框图
信号预处理模块通过对信号进行正交下变频、滤波抽取、消除载频分量并估计参数值等处理为之后的识别模块提供必要的数据。在对信号进行预处理时，特征向量的提取模块从输入的数据中提取出有用于之后分类模块进行识别的信息，这些特征信息将为调制方式的成功识别奠定基础。分类识别模块根据之前的时频域分析和已提取的特征参数，选择不同的分类器和判决标准来判断信号的调制方式，以此来实现对信号识别方式的判断。主要的分类模块算法又大致可以分为三种，即决策论方法、统计模式识别方法和借助人工神经网络分析的方法[4]。
决策论算法是以决策理论为基础，由概率论和复合假设检验论发展而来，通过推导出一个合理的分类器的判决准则来研究调制识别问题。这种方法在理论分析的基础上，推导出信号的特性，得到统计检验量，并将其与一个合适的门限进行定向对比，构造似然函数，利用似然比得出判决标准。决策论方法的优越性在于它从理论上保证了在最小化平均代价函数的准则下分类结果是最优的，相应的识别性能曲线也能够根据理论分析得出，此种方法在识别性能上优于其他算法，故可用此来检验其他算法的识别性能。决策论方法受噪声影响较小，在信噪比较低的情况下可以很好的进行识别。需要强调的是，决策论算法的实现常常需要较多的先验知识，为了获得这些先验知识就必须进行大量复杂的运算，而简化这些运算又容易造成信息失真，调制识别性能下降。
统计模式识别方法是由经典模式识别理论的概念得来的，它可以看作是由多个具有未知参量的模式识别问题组成的集合，通常需要使用直方图来完成特征向量的构造过程，再使用线性分类器来对信号的调制模式进行识别。目前已有的绝大多数调制识别方法都基于统计模式识别，统计模式识别的系统又通常被分为特征抽取和分类识别两部分[5]。特征抽取是在原始信号中提取出有利于信号识别的信息参量，这些信息参量实质上反应了调制方式对信号的一种映射关系。分类识别部分对这些信息参量进行数据分析，给出在满足误差要求下的判决门限，分类器完成对待识别的信号特征的接收工作，最终实现调制识别。此类算法判决规则复杂，但特征提取简单，易于计算，且能够识别出的信号调制类型丰富，可操作性强。但由于统计模式识别方法的判决门限和特征参量都是基于原始信号产生的，所以噪声对此方法的识别效率影响较大，尤其是在低信噪比条件下，特征参数的提取过程相对比较复杂，识别效果也不够理想。因此在特定的信噪比条件下，可以用识别的正确概率来对分类器的性能进行检测。
人工神经网络方法对计算方法的进行了智能优化，通过模拟人类的大脑识别而具有它独特的优势，发展前景良好。
1.3 论文主要工作
本文主要研究了信号的调制识别过程，并对几种常见的模拟调制信号和数字调制信号，如AM、FM、BPSK和QPSK等进行具体分析和研究，在此基础上运用MATLAB软件对其进行仿真检验。在一定信噪比下，完成对四种信号的检测和调制方式识别，并估计出相应的特征参数。
第一章是绪论，介绍了通信信号调制识别的研究背景和发展概况。
第二章主要介绍了通信信号的调制理论的基础，分析了几种常见的模拟、数字调制信号。 通信信号检测与参数估计+文献综述(3):http://www.youerw.com/tongxin/lunwen_13589.html