本文致力于基于神经网络的通信信号调制类型识别器设计研究。论文提出了一种改进的BP神经网络分类器，它采用7个特征参数，可以对CW、2FSK、4FSK、8FSK、2PSK、4PSK、8PSK、8QAM、16QAM、4ASK、8ASK共11种调制类型实现正确分类识别。论文讨论了方案设计，给出了仿真试验结果，并将其与其他神经网络分类器进行了性能比较。[关键词] 调制类型识别，特征参数，分层结构组合分类器，神经网络式是区分不同性质通信信号的一个重要特征，而且调制信号识别广泛应用于信号确认、干扰辨识、无线电侦听、信号检测和威胁分析等领域。随着通信信号的密度越来越高，调制方式越来越多样化，在没有任何先验知识的情况下，信号的分类识别变得非常困难，因此对调制方式的分类识别成为人们研究的焦点。调制方式自动识别的关键是特征参数提取和识别算法。特征提取部分是调制识别的首要和基本的问题，此问题的很好解决将对分类识别器的要求降低。从识别算法来看，主要分为决策论法和神经网络(ANN)模式识别法。决策论法是采用假设检验理论去解决信号分类问题，该类方法适用于具体某类调制信号识别，识别范围窄。神经网络模式识别法是由经典模式识别理论的特征抽取概念而来，具有自组织和自学习能力、推广能力、智能性、识别速度快等特点有其优越性，能提高正确识别率。若能利用神经网络的并行运算特点，可实现信号识别的实时处理[1]。一般而言，ANN法所得到的结果要优于决策论法得到的结果。本文针对CW、2FSK、4FSK、8FSK、2PSK、4PSK、8PSK、8QAM、16QAM、4ASK、8ASK多种常用模拟数字调制信号，提出采用自适应学习速率动量梯度下降反向传播算法的神经网络分类器进行调制识别，并和Levenberg-Marquardt优化算法的BP分类器和概率神经网络分类器（PNN）进行性能比较。