Автоматическая классификация модуляции — это проблема классификации, и при помощи глубокого обучения достигает выдающихся результатов в различных задачах классификации. В этой статье предлагается метод, основанный на глубоком обучении, в сочетании с сверточными нейронными сетями (CNN), обученными на собственном наборе данных, для достижения более высокой точности. В этой работе устанавливаем связь между CNN и модуляцией сигнала. CNN обучается на образцах, состоящих из синфазных и квадратурных составляющих сигналов. Синфазные и квадратурные образцы нужны чтобы различать режимы модуляции, которые относительно легко идентифицировать. Подобрали параметры сети для достижения более высокой точности распознавания. CNN, основанная на диаграммах созвездия, смогла различить виды модуляции, таких как BPSK, QPSK, 8PSK, 16PSK, 32PSK, 64PSK , демонстрируя способность классифицировать сигналы даже с низким сигнал-шум. Было проведено несколько экспериментов для проверки сети CNN. При SNR 6 дБ, большинство сигналов достигают уровня точности, превышающего 99,9%, за исключением QPSK (94,5%).