El reconocimiento automático de modulación es una tecnología clave en comunicaciones no colaborativas. Sin embargo, se ve afectado por entornos electromagnéticos complejos, lo que conduce a una baja precisión de reconocimiento. Para abordar este problema, este documento desarrolla un modelo de reconocimiento de señales ResNext basado en un mecanismo de atención. En primer lugar, se crea un canal, que incluye ruido blanco gaussiano aditivo (AWGN), desvanecimiento por trayectoria múltiple Rician y desfase de reloj, para simular el entorno electromagnético complejo, y se sintetizan señales moduladas con deterioro de la transmisión con varios relaciones señal-ruido (SNR) como conjunto de datos. En segundo lugar, utilizando bloques residuales apilados en paralelo de la misma topología, en lugar de los bloques residuales de ResNet, e introduciendo la capa de atención (CBAM), los tipos de extracción de características se enriquecen sin aumentar significativamente el orden de magnitud de los parámetros y evitando el fenómeno de sobreajuste causado por el aumento de la profundidad. Los resultados muestran que el método de reconocimiento de señales, basado en el marco de red neuronal mejorado, superó a otros métodos de aprendizaje profundo, y la tasa de reconocimiento obtenida de 10 tipos diferentes de modulación de señales fue superior al 90% en SNRs superiores a 0 dB. El método de reconocimiento de señales propuesto logró un reconocimiento preciso en entornos electromagnéticos complejos.