طبقه بندی کننده ی مدولاسیون، نوع مدولاسیون سیگنال دریافتی را از میان مجموعه ای از مدولاسیون ها تشخیص می دهد و در زمینه های نظامی و غیرنظامی کاربردهای فراوان دارد. بسیاری از روش های ارائه شده در حوزه ی کانال های نویزی، به نویز کانال ارتباطی حساس اند. بدین معنی که در شرایط سیگنال به نویز پایین، عمل کرد مطلوبی از خود نشان نمی دهند. و تنها در صورت استفاده از طبقه بندی کننده هایی که از نظر زمان و پیچیدگی مقرون به صرفه نمی باشند، قادر به طبقه بندی تعداد زیادی از مدولاسیون ها خواهند بود. هم چنین، روش های مبتنی بر ویژگی، که در مقایسه با روش های مبتنی بر تشابه، پیچیدگی محاسباتی کم تری دارند، برای رسیدن به درصد درستی قابل قبول ناچار به تحمل بردارهای ویژگی با ابعاد بالا هستند، که این خود به پیچیدگی محاسباتی بیشتر دامن می زند. در این پایان نامه، سعی بر این بوده است که با ارائه ی ساختارهایی پی درپی از واحدهای طبقه بندی کننده ی موثر با پیچیدگی زمانی و محاسباتی اندک، روشی پیشنهاد دهیم که در عین برخورداری از درصد درستی قابل قبول، از نظر پیاده سازی نیز مناسب باشد. در این راستا، ویژگی های کارآمدی نیز معرفی شدند که در رسیدن به درصد درستی قابل قبول تأثیر به سزایی داشتند. دسته ی نخست این ویژگی ها با کمک تبدیل موجک گسسته با نوع موجک مادر مناسب و در سطح تجزیه ی مطلوب استخراج شدند. هم چنین، ویژگی های مبتنی بر توابع آنتروپی و تبدیل فوریه نیز، تحت عنوان ویژگی های کمکی، از سیگنال های دریافتی استخراج شدند. نخستین ساختار پی درپیِ پیشنهادشده با استفاده از ویژگی های مبتنی بر تبدیل موجک و نیز ویژگی های مبتنی بر توابع آنتروپی به همراه طبقه بندی کننده ی شبکه ی عصبی کوانتیزه کردن بردار یادگیری و یک واحد بهینه ساز مبتنی بر الگوریتم حرکت باد برای طبقه بندی مدولاسیون های bpsk، qpsk، 8psk، 16psk و 32psk ارائه شد، که توانست در سطوح سیگنال به نویز بزرگ تر و مساوی با 2db- به درصد درستی بیش از 95% دست یابد. دومین ساختار پی درپیِ پیشنهادشده با استفاده از ویژگی های مبتنی بر تبدیل موجک، توابع آنتروپی و تبدیل فوریه، به همراه طبقه بندی کننده ی شبکه ی عصبی کوانتیزه کردن بردار یادگیری برای طبقه بندی مدولاسیون های bask، qask، bfsk، qfsk، bpsk و qpsk ارائه شد، که در سطوح سیگنال به نویز بزرگ تر و مساوی با 6db- تقریباً به درصد درستی بیش از 95% دست یافت.