Actualmente, el uso directo de datos de series temporales en fase y cuadratura mediante el método de aprendizaje profundo es ampliamente utilizado en la clasificación de modulación de señales. Sin embargo, hay una relativa falta de métodos que consideren las propiedades complejas de las señales. Por lo tanto, para aprovechar al máximo la relación inherente entre los datos de series temporales en fase y cuadratura, se propone en este documento una red neuronal híbrida de valores complejos (CV-PET-CSGDNN) basada en la red existente PET-CGDNN, que consta de capas de estimación de parámetros de fase, transformación de parámetros y extracción de características de señales de valores complejos. Las capas de extracción de características de señales de valores complejos están compuestas por redes neuronales convolucionales (CNN) de valores complejos, unidades recurrentes de puertas de valores complejos (GRU), bloques de apretar y excitar (SE) y redes neuronales densas de valores complejos (DNN). La red propuesta puede mejorar la extracción de la relación intrínseca entre los datos de series temporales en fase y cuadratura con baja capacidad y luego mejorar la precisión de la clasificación de modulación. Se realizan experimentos en RML2016.10a y RML2018.01a. Los resultados muestran que, en comparación con los modelos ResNet, CLDNN, MCLDNN, PET-CGDNN y CV-ResNet, nuestra red neuronal de valores complejos propuesta (CVNN) logra la mayor precisión promedio de 61.50% y 62.92% para la clasificación automática de modulación, respectivamente. Además, el CV-PET-CSGDNN propuesto tiene una mejora significativa en la situación de error de juicio entre 64QAM, 128QAM y 256QAM en comparación con PET-CGDNN en RML2018.01a.