La clasificación automática de modulación (AMC) es una de las tecnologías más importantes en varios sistemas de comunicación, incluidas las comunicaciones de drones. Se puede aplicar para confirmar la legitimidad de los dispositivos de acceso, ayudar a los sistemas de drones a identificar y rastrear mejor las señales de otros dispositivos de comunicación, y prevenir interferencias de drones para garantizar la seguridad y fiabilidad de la comunicación. Sin embargo, el rendimiento de clasificación de los enfoques AMC propuestos anteriormente aún necesita ser mejorado. En este estudio, se propone un enfoque AMC basado en una red neuronal de fusión espaciotemporal de doble flujo (DSSFNN) para mejorar la precisión de clasificación con el propósito de ayudar a la comunicación de drones, ya que DSSFNN puede extraer eficazmente características espaciotemporales de las señales de modulación a través de módulos residuales, módulos de memoria a largo y corto plazo (LSTM) y mecanismos de atención. Además, se introduce un nuevo método híbrido de aumento de datos basado en el cambio de fase y la auto-perturbación para mejorar aún más el rendimiento y evitar el sobreajuste. Los resultados experimentales demuestran que el enfoque AMC propuesto puede alcanzar una precisión de clasificación promedio del 63.44%, y la precisión máxima puede llegar al 95.01% a SNR = 10 dB, lo que supera los métodos propuestos anteriormente.