本发明涉及基于多特征信息的深度学习网络调制识别方法，属于风电机组故障诊断技术领域，从调制信号本身出发，将调制信号的瞬时幅度和瞬时相位与I/Q信号相结合，丰富了每一种调制方式的数据表示形式，可实现不同类型数据特征之间的互补。还设计了一个基于深度可分离卷积块和LSTM的高效网络结构，并引入了注意力机制，有利于挖掘调制信号内部潜在的时空特征。通过在标准数据集上的实验，表明了本文所提算法的优越性，说明了对于调制识别任务，特别是在受到各种干扰条件下，多类型数据源可以给模型提供多种观察视图，降低调制识别的难度。而结合网络特性，设计一种较好的模型结构对于调制识别也是至关重要的。