La clasificación automática de modulación (AMC) es una tecnología de procesamiento de señales utilizada para identificar el tipo de modulación de señales desconocidas sin información previa, como parámetros de modulación para comunicaciones de drones. En los últimos años, el aprendizaje profundo (DL) se ha utilizado ampliamente en métodos de AMC debido a su poderosa capacidad de extracción de características. El rendimiento significativo de los métodos de AMC basados en DL depende en gran medida de una gran cantidad de datos. Sin embargo, con el entorno de señales cada vez más complejo y la aparición de nuevas señales, varias tareas de reconocimiento tienen dificultades para obtener suficientes señales de alta calidad. Para abordar este problema, proponemos un método de AMC basado en una red neuronal residual profunda con modelado enmascarado (DRMM). Específicamente, se adopta el modelado enmascarado para mejorar el rendimiento de una red neuronal profunda con muestras de señal limitadas. Tanto las redes neuronales residuales (ResNet) de valores complejos como las de valores reales juegan un papel importante en la extracción de características de señales para la identificación. Se realizan varios experimentos típicos para evaluar nuestro método de AMC basado en DRMM en el conjunto de datos RadioML 2016.10A y un conjunto de datos simulado, y también se realizan experimentos de comparación con métodos de AMC existentes. Los resultados de la simulación ilustran que nuestro método de AMC basado en DRMM logra un mejor rendimiento en el caso de muestras de señal limitadas con una baja relación señal-ruido (SNR) que otros métodos existentes.