شناساگر خودکار نوع سیگنال، عمل تعیین نوع مدولاسیون سیگنال دریافتی را در بین مجموعه ای از مدولاسیونها به صورت اتوماتیک انجام می دهد و کاربردهای فراوانی در زمینه نظامی و غیر نظامی دارد. اکثر سیستم های شناساگر خودکار نوع مدولاسیون که تاکنون ارائه شده در شرایط سیگنال به نویز پایین عملکرد مناسبی ندارند و فقط قادرند تا تعداد محدودی از مدولاسیونها را شناسایی کنند. در این پژوهش، تلاش شده تا با استخراج ویژگی های بسیار کارا و پیشنهاد طبقه بندی کننده موثر، شناساگرهای پیشرفته ای با عملکردی بهتر از کارهای دیگران ارائه شود. دسته اول ویژگی های طیفی با طبقه بندی کننده های شبکه عصبی پرسپترون چند لایه و شبکه عصبی بازگشتی با الگوریتم های یادگیری rprop، lm، cgf، cgb، cgp، scg و sass مورد بررسی قرار گرفت که شبکه عصبی بازگشتی با الگوریتم lm توانست عملکرد مطلوبی را بدست آورد. دسته دوم ویژگی های استخراجی، بر پایه ضرایب تبدیل بسته موجک، ضرایب مدل خود بازگشتی، ممان مرتبه چهارم سیگنال، نرخ تقاطع عبور از صفر سیگنال، آنتروپی و انرژی سیگنال استخراج شده اند. طبقه بندی کننده پیشنهادی که برای دسته دوم ویژگی ها در نظر گرفته شده ماشین پشتیبان بردار می باشد که عملکرد این طبقه بندی کننده توسط الگوریتم ژنتیک بهینه گشته است. این شناساگر در سیگنال به نویز برابر با db5-، درصد موفقیت94/14 % را بدست آورده است. در ادامه این پژوهش به کمک کمیته کلاسیفایر قابلیت تفکیک پذیری این ویژگی ها افزایش داده شد که عملکرد این سیستم به نحو مطلوبی افزایش پیدا کرد. مدولاسیون هایی که در این پژوهش مورد بررسی قرار گرفته عبارتند از: 2ask، 4ask، 2psk، 4psk، 2fsk، 4fsk و 16qam.