Rapporten beskriver verksamheten i projektet Signalklassificering under 2023. Bland annat har en jämförelse gjorts av de, vid tillfället, bästa modulationsklassificerarna baserade på neurala nätverk. Eftersom stora mängder tillförlitliga data är extremt viktigt för djupinlärning och publicerade dataset inom modulationsklassificering har brister, har egna dataset genererats. Dataseten kan designas för att innehålla en mängd olika imperfektioner som klassificerarna bör vara robusta mot såsom t.ex. kanalfädning, frekvensoffset och suboptimal sampling. Vi visar att nätverken är robusta mot de flesta imperfektioner men att kanalfädning är den imperfektion, förutom vitt brus, som är svårast för nätverken att hantera. Vi utför även en mindre studie som undersöker hur nätverken kan anpassas för att tillgodose fler klasser än vad som fanns vid den initiala träningen. Resultaten visar att finjustering krävs för att kunna klassificera signaler från de nya klasserna.