En este artículo, investigamos las aplicaciones de aprendizaje profundo en el reconocimiento automático de modulación de radio (AMR) en sistemas AMR de vehículo aéreo no tripulado (UAV) a tierra. La integración del aprendizaje profundo en un terminal de procesamiento de señales asistido por UAV puede reconocer el modo de modulación sin la provisión de parámetros. Sin embargo, las capas utilizadas en los modelos actuales tienen un pequeño rango de procesamiento de datos, y su baja resistencia al ruido es otra desventaja. Lo más importante es que un gran número de parámetros y una alta cantidad de cálculos sobrecargarán los terminales en el sistema. Proponemos una red de autoatención de multi-subsampling (MSSA) para sistemas AMR de UAV a tierra, para la cual diseñamos un módulo dilatado residual que contiene convolución ordinaria y dilatada para expandir el rango de procesamiento de datos, seguido de un módulo de autoatención para mejorar la clasificación, incluso en presencia de interferencia de ruido. Submuestreamos las señales para reducir el número de parámetros y la cantidad de cálculos. También proponemos tres tamaños de modelo, a saber, grande, mediano y pequeño, y cuanto más pequeño sea el modelo, más adecuado será para los sistemas AMR de UAV a tierra. Realizamos experimentos de ablación con modelos de última generación y modelos base en los conjuntos de datos comunes de AMR y aprendizaje automático de radio (RML) 2018.01a. El método propuesto logra la mayor precisión del 97.00% a una relación señal-ruido (SNR) de 30 dB. El archivo de pesos del pequeño MSSA es de solo 642 KB.