Los algoritmos de clasificación de modulación automática (AMC) basados en aprendizaje profundo (DL) han sido ampliamente estudiados en la última década, mostrando una ventaja de rendimiento significativa en comparación con los métodos tradicionales. Sin embargo, los métodos de DL existentes generalmente se comportan peor en complejidad computacional. Por ello, este documento propone una red neuronal convolucional ligera (CNN) para la tarea de AMC, donde diseñamos una arquitectura residual de convolución separable en profundidad (DSC) para la extracción de características para prevenir el problema del gradiente que desaparece y aligerar la carga computacional. Además, con el fin de reducir aún más la complejidad del modelo, se adopta la convolución en profundidad global (GDWConv) para la reconstrucción de características después de la última capa convolucional (no global). En comparación con trabajos recientes, los resultados experimentales muestran que la red propuesta puede ahorrar aproximadamente el 70-98% de los parámetros del modelo y el 30-99% del tiempo de inferencia en dos benchmarks conocidos.