随着认知无线电技术的发展，以及以神经网络、小波变换、遗传算法等为代表的信息处理技术等的出现，调制方式识别技术也日趋全面、完善。由于调制方式的多样性，目前并没有能够一种描述全部调制方式的算法。也正因如此，目前的调制识别方法也是种类繁多，性能参差不齐，往往在识别范围与运算量之间相互制约。未来调制识别技术的主要努力方向将会是以下几点：（1）更高的自动识别准确率；（2）更广的识别范围；（3）尽量降低识别算法的实现难度；（4）更强的抗干扰能力与更好的复杂条件下使用稳定性。
1.3  本文研究内容及安排
    本文从常用数字信号调制方式入手，通过对不同调制方式进行特征分析来进行调制方式识别，并利用Matlab系统进行了仿真测试。全文分为四大部分，内容安排如下：
    第一章：介绍了本课题的研究背景，对目前相关领域技术发展做了基本阐述，介绍了课题意义与发展现状，并对课题前景做了一定分析。
    第二章：对调制识别过程与调制识别分类原理进行介绍，并对本文如何进行调制方式识别方案进行了安排。
    第三章：产生并介绍了二进制与四进制数字信号的三种常用的信号调制方式，对三种调制方式的特点做了初步分析。
    第四章：基于第二章的结果，对已调数字信号进行特征提取并分析结果，对不同调制方式进行区分。
2  设计原理与方法
2.1  调制识别原理
信号调制方式的识别有很多种方法，但本质上这就是一个模式识别的过程。对信号进行识别共包含三个步骤，分别是：（1）信号预处理；（2）特征提取；（3）分类识别。三步骤相互支撑，共同完成对信号的解调前期工作。
信号预处理本质上是进行载频的估计、滤波器的使用使接收到的信号变得容易被处理，为后面对信号的处理提供较为合适的预设数据。由于信号在复杂的传输信道环境中会受到各种的干扰，例如噪声和其它信号的干扰，往往接收到的信号都是无法被直接处理的，这时便需要对信号进行预处理。通过对频率下变频、同相分量和正交分量分解以及载频估计等工作对信号进行处理，确保不同信号间相互隔离，不产生串扰，使得每次进入调制识别环节的信号都是单一的，从而可以顺利地进行接下来的工作。
特征提取是对已经过预处理的信号进行特定参数提取，主要包括时域和频域的一些反应信号特点的参数，以此为基础为识别提供数据上的支持。其中主要包括瞬时幅度、瞬时相位、瞬时频率、频域功率谱、频谱相关函数及其它统计参数等时频特征参数。
分类识别，就是选择合适的判决规则，通过对前一部分所提取的特征进行分析，从而完成对调制方式的识别。目前主要采用的识别用分类器有两种：（1）基于决策树结构的分类器；（2）基于神经网络结构的分类器。决策树型分类器是一种采用了多级分类结构的分类器，每一级分类器根据一个或多个特征参数，预设门限对信号进行门限区分，再由下一级用同样的方法对信号进行更细致的区分，最终完成调制方式识别。也正由于这种类似树形的结构，这种分类器才被如此命名。而神经网络型分类器则是以类似人体神经的结构进行识别，微处理器是细胞体，输入端是树突，输出端是轴突，I/O接口是突触，分别为分类器发挥类似于神经元各部分一样的各自的作用。两种分类器各有特点：决策树型分类器实现相对简单，实用性好，但由于采用门限识别，导致其需提前设定门限而不能随机应变，自适应性较差，更适合用来分类经过较好与处理的特征清晰的调制信号；神经网络分类器由于其出色的设计理念而具备了强大的适应能力，能够在复杂条件下稳定提供较高的识别率，但因其设计难度较大且实现算法复杂，导致其实用性较低，运算速度不快，很难应用于实时系统。 Matlab认知无线电中调制方式识别系统的设计与实现(3):http://www.youerw.com/tongxin/lunwen_22213.html