PSK信号调制识别的似然算法研究主要围绕着数字通信信号调制方式识别技术展开，尤其关注了基于决策理论的似然算法，并提出了用于加性高斯白噪声（AWGN）信道中PSK基带信号调制方式识别的算法。这项研究的目的是在低信噪比条件下，能够有效识别PSK信号，从而对非协作通信中的调制方式进行准确识别。
在调制识别中，最大似然理论（Maximum Likelihood, ML）是经典方法之一，它基于信号检测与估计理论，并且是最优化的方法。通过处理信号的似然函数得到分类的统计量，然后与一个合适的门限值进行比较，以完成调制分类。似然算法的分类统计量构造方法建立在概率论、随机过程和数理统计的数学理论基础之上。
似然算法在调制识别中的应用最早被提出是在[1]中，主要被用来识别二进制相移键控（BPSK）和四进制相移键控（QPSK）信号。[2]和[3]进一步研究了似然算法，并应用对数似然比（Log-Likelihood Ratio, LLR）来对观测信号进行判别。由于处理的是基带信号，因此需要很多先验信息，如载频、相位、噪声和信号能量等，这导致了较大的计算量。后来的研究如[4]尝试对似然算法进行简化，移除了部分先验信息，目的是减少计算量。
在具体的技术层面，信号模型的讨论是算法研究的基础。本研究以BPSK和QPSK为例进行说明，假设待检验的调制方式等概率发生，调制数据服从均匀分布，并且符号完全同步。信号功率、噪声功率、载波频率和信噪比都是已知的，存在不相干的载波相位偏差。信道噪声模型采用加性高斯白噪声。
最优分类器分析部分涉及到基于似然理论推导出的统计量和门限进行识别的方法。最优分类器需要计算接收信号的条件概率密度函数（Conditional Probability Density Function, CPDF），并通过条件似然函数（Conditional Likelihood Function, CLF）来进行判别。如果CLF值过大，可能会造成溢出错误，因此引入条件对数似然函数（Conditional Log-Likelihood Function, CLLF）来简化计算。
在次最优分类器的讨论中，研究了三种不同的分类器：积分粗估计分类器、qLLR分类器和nqLLR分类器。针对不同的分类器，作者详细讨论了它们的计算量、复杂度以及工程应用方面的差异，并从码元个数、计算精度等多方面进行了性能分析。仿真结果表明，在低信噪比条件下，这四种分类器都能得到较高的识别成功率。
研究的结构包括了以下几个部分：首先介绍了信号模型，然后给出了最优分类器的分析，接着讨论了两种次最优分类器，并最终展示了各分类器算法性能的仿真结果。
通过对基于似然算法的PSK信号调制识别技术的研究，本论文为非协作通信提供了新的视角，并为相关领域的研究与工程实践提供了理论基础和参考。此外，这项工作通过仿真实验验证了算法的有效性，为调制方式识别技术的发展提供了重要的技术支持。
