La clasificación automática de modulación es un componente importante en muchos sistemas de comunicación aeronáutica modernos para lograr un uso eficiente del espectro en entornos inalámbricos congestionados y otras aplicaciones de sistemas de comunicación. En los últimos años, se han propuesto numerosas arquitecturas de aprendizaje profundo convolucional para clasificar automáticamente la modulación utilizada en ráfagas de señales observadas. Sin embargo, no se ha realizado un análisis exhaustivo de estas arquitecturas diferentes y la importancia de cada elemento de diseño. Por lo tanto, no está claro qué compensaciones podrían tener los diferentes diseños de estas redes neuronales convolucionales. En esta investigación, investigamos numerosas arquitecturas para la clasificación automática de modulación y realizamos un estudio exhaustivo para investigar los impactos de la variación de hiperparámetros y elementos de diseño en la precisión de la clasificación automática de modulación. Mostramos que se puede lograr una precisión de vanguardia utilizando un subconjunto de los elementos de diseño estudiados, particularmente en la clasificación de modulación en ráfagas interceptadas de duración variable. En particular, mostramos que una combinación de convoluciones dilatadas, agrupación de estadísticas y unidades de excitación y compresión resulta en el clasificador de mejor rendimiento logrando una precisión máxima del 98.9% y una precisión general del 63.7% en el conjunto de datos RadioML 2018.01A. Investigamos más a fondo este mejor rendimiento según varios criterios, incluidas ráfagas de señal cortas de longitud variable, clasificaciones erróneas comunes y rendimiento en diferentes categorías y modos de modulación.