Para mejorar aún más la precisión de reconocimiento de modulación automática, mejorar la eficiencia de la comunicación, fortalecer la seguridad y optimizar la gestión de recursos, este documento diseña un modelo híbrido de aprendizaje profundo de alta precisión que presenta fusión de capas en etapas tempranas. Este modelo se combina con Redes Neuronales Convolucionales (CNN), Transformers y Redes Neuronales Profundas (DNN) para mejorar las capacidades de extracción de características del modelo, mejorando así la precisión de reconocimiento de modulación. Se realizan experimentos en RadioML2016.10a y RadioML2018.01a, y los resultados muestran que esta arquitectura puede combinar efectivamente las ventajas de diferentes tipos de modelos, haciendo que el rendimiento general sea más robusto y adecuado para problemas complejos de reconocimiento automático de modulación.