La tecnología de reconocimiento de modulación automática con aprendizaje profundo tiene un amplio potencial gracias a los grandes volúmenes de datos y la potencia de cálculo. Sin embargo, la precisión del reconocimiento de modulación depende en gran medida del volumen masivo de datos y la aplicabilidad del modelo. Aquí, para eliminar las dificultades de extracción manual de características, una baja precisión y un pequeño conjunto de datos de muestra, proponemos un método de reconocimiento efectivo que combina la ampliación de datos de series temporales con un marco de aprendizaje multi-canal espaciotemporal. En comparación con otros modelos de red avanzados, los resultados mostraron que el método dio un índice positivo del orden del 93.5% para diez tipos de señales de modulación, lo que aumentó al menos un 15%. Especialmente para las señales QAM16 y QAM64, la precisión promedio de reconocimiento mejoró casi un 50% en SNRs tan bajos como -2 dB, mostrando un rendimiento de reconocimiento significativo. El método propuesto proporciona un método atractivo para el reconocimiento de modulación de señales en campos de comunicación inalámbrica o cableada.