空时一频分组码是采用分集思想对无线通信传输系统性能进行改善的信道编码方式。该书主要介绍了STBC、STBC-OFDM和SFBC-OFDM三种信号的深度学习识别技术，从研究对象和技术路径的基础理论出发，对每类信号的预处理方式、数据集构建方法、深度学习模型架构都进行了详细的描述，并基于仿真数据对各种识别方法进行验证，给出了每种信号的识别流程。该书从深度学习技术在编码识别领域潜力的角度出发，给出了由此产生的针对信道编码识别技术的思考，以期对相关领域的专家学者带来启发。
　　《基于深度学习的空时分组码识别理论与技术》与《空时分组码识别理论与技术》一书相辅相成，能够从传统方法和深度学习两个角度为读者提供理论和技术指导，《空时分组码识别理论与技术》涵盖了空时分组码识别领域大多数的传统算法，具有更强的理论性和系统性，而该书则更具工程化和实践性，专注于采用深度学习的识别方法。该书的专业性和针对性较强，适合作为通信和信号处理相关领域研究生的参考书，还可供从事信道编码识别技术开发应用的工程技术人员参考。

第1章 绪论
1．1 研究背景及意义
1．2 国内外研究现状
1．2．1 STBC识别研究现状
1．2．2 SFBC-OFDM识别研究现状
1．2．3 STBC-OFDM识别研究现状
1．3 本书的主要内容
1．4 本书的结构安排

第2章 空时分组码与深度学习的基础理论
2．1 空时分组码基础理论
2．1．1 空时分集技术
2．1．2 Alamouti编码模型
2．1．3 一般STBC编码模型
2．2 深度学习模型的基本组成
2．2．1 卷积层
2．2．2 池化层
2．2．3 全连接层
2．2．4 残差层
2．2．5 相加层和拼接层
2．2．6 循环层
2．2．7 注意力机制模块
2．2．8 激活函数层

第3章 基于多模态特征融合网络的STBC识别算法
3．1 引言
3．2 信号模型
3．2．1 空时分组码通信系统
3．2．2 STBC类型的选取
3．3 基于经典深度学习框架的STBC识别
3．3．1 CNN-BC网络
3．3．2 ResNet网络
3．3．3 CNN-LSTM网络
3．3．4 算法实现流程
3．3．5 性能测试与分析
3．4 基于多模态特征融合网络的STBC识别
3．4．1 多时延特征自提取
3．4．2 多时序特征自提取
3．4．3 最大时延特征融合
3．4．4 性能测试与分析
3．5 本章小结

第4章 基于互相关时频图像和DMRN网络的SFBC-OFDM识别算法
4．1 引言
……
第5章 基于四阶滞后矩谱和AMDC-net的STBC-OFDM识别算法
第6章 总结与展望
参考文献