Para lograr la identificación automática de formatos de modulación en señales de subportadoras de división de frecuencia ortogonal (OFDM), se propone un método de reconocimiento basado en múltiples entradas de características y una Red Neuronal de Entrenamiento Híbrido (HTNN), en el cual se diseña una estructura HTNN para obtener características de correlación estadística de alto orden y constelaciones de subportadoras OFDM. El rendimiento de reconocimiento del método propuesto en la transmisión de canal de espacio libre y la transmisión de canal atmosférico variable en el tiempo se estudia mediante simulación. Los resultados de la simulación muestran que la precisión de identificación general del modelo de reconocimiento basado en el método propuesto superó el 93.37% en un amplio rango de Relación Señal-Ruido (SNR) del canal de espacio libre. Con un SNR superior a 7.5 dB, el rendimiento de precisión de identificación del modelo de aprendizaje culminó, logrando una precisión de identificación del 100% de las señales de subportadoras OFDM. Bajo condiciones débiles de canal atmosférico turbulento y variable en el tiempo, la curva de precisión de identificación general tendió a aumentar a medida que aumentaba el SNR y se estabilizaba en más del 95%. En comparación con los dos métodos de comparación, el método propuesto redujo la sensibilidad a las variaciones del canal y mejoró la velocidad de convergencia sobre la base de la precisión de identificación garantizada, y permitió la identificación confiable de señales de subportadoras OFDM en un amplio rango de SNR.