La clasificación automática de modulación (AMC), que desempeña un papel significativo en la comunicación inalámbrica, puede reconocer el tipo de modulación de la señal recibida sin grandes cantidades de datos transmitidos e información de parámetros. Respaldado por el aprendizaje profundo, que es una herramienta poderosa para la expresión funcional y la extracción de características, el desarrollo de la AMC puede ser ampliamente promovido. En este artículo, proponemos un método de clasificación de modulación basado en aprendizaje profundo con representación de señales 2D tiempo-frecuencia. En nuestro método propuesto, las señales que han sido recibidas primero se analizan por tiempo-frecuencia basado en la transformada de ondícula continua (CWT). Luego, se obtienen imágenes CWT de las señales recibidas y se introducen en el modelo de aprendizaje profundo para clasificar. Creamos un nuevo conjunto de datos de imágenes CWT que incluye 12 tipos de modulación de señales en varios entornos de relación señal-ruido (SNR) para verificar la efectividad del método propuesto. Los resultados experimentales demuestran que nuestro método propuesto puede alcanzar una alta precisión de clasificación sobre el SNR de -11 dB.