En medio del cambiante panorama de la comunicación no cooperativa, la clasificación automática de modulación (AMC) se erige como un pilar esencial, permitiendo un procesamiento de señales adaptativo y confiable. Debido al avance de la tecnología de aprendizaje profundo (DL), las redes neuronales han encontrado aplicación en AMC. Sin embargo, los modelos de DL anteriores enfrentan el problema de confusión entre clases en modulaciones de alto orden. Para abordar este problema, proponemos una red neuronal híbrida potenciada por aprendizaje multitarea, llamada CrossTLNet. Específicamente, después de que la señal ingresa al modelo, primero se transforma en dos componentes de tarea: en forma de cuadratura/fase (I/Q) y en forma de amplitud/fase (A/P). Para cada tarea, diseñamos un método que combina una red convolucional temporal (TCN) con una red de memoria a corto y largo plazo (LSTM) para capturar de manera efectiva características de dependencia a largo plazo en modulaciones de alto orden. Para permitir la interacción entre estas dos características de dimensiones diferentes, introducimos de manera innovadora un método de atención cruzada, mejorando aún más la capacidad del modelo para distinguir características de la señal. Además, también diseñamos un método de destilación de conocimiento simple y eficiente para reducir el tamaño de CrossTLNet, facilitando su implementación en escenarios en tiempo real o con recursos limitados. Los resultados experimentales indican que el método sugerido muestra un rendimiento excepcional en AMC en bancos de pruebas públicos, especialmente en modulaciones de alto orden.