A rápida expansão de comunicações sem fio tornaram o espectro de rádio frequência um recurso muito escasso. o rádio cognitivo surgiu como uma solução viável para contornar essa dificuldade. no contexto de rádio cognitivo, o monitoramento de espectro (ss) desempenha um papel importante. em particular, a classificação automática de modulações (amc) é um dos blocos computacionais que mais demanda recursos dentro do (ss). pesquisas recentes em amc focam no desenvolvimento de métodos rápidos e precisos que são capazes de atingir o throughput exigido por aplicações contemporâneas.alguns trabalhos recentes tem proposto o uso de histogramas do sinal de entrada como parâmetros de classificação e máquinas de vetores de suporte (svm) como técnica de classificação. este trabalho apresenta uma avaliação de tal abordagem buscando projetar arquiteturas de hardware dedicadas para amc. na primeira parte deste trabalho, soluções de hardware para classificação de múltiplas classes usando svm são projetadas e avaliadas. o esquema proposto "um contra todos melhorado" apresentou uma precisão até 162% melhor do que o esquema comumente utilizado "um contra um", ao mesmo tempo que é 30.2% mais eficiente em termos de energia. na segunda parte do trabalho o uso de histogramas em conjunto com svm é avaliado como uma técnica de classificação cega. isso é realizado através de experimentos que assumem que o receptor não conhece a taxa de dados do transmissor, em oposição ao que os trabalhos relacionados na literatura assumem. como outra novidade, histogramas bi-dimensionais são propostos e a precisão resultante é comparada com aquela obtida para histogramas uni-dimensionais. os testes mostraram que os histogramas bi-dimensionais fornecem uma precisão ligeiramente maior em um custo de hardware equivalente. os seguintes parâmetros são avaliados para classificação baseada em histogramas bi-dimensionais: tamanho do conjunto de treino, robustez ao ruído e relação entre número de amostras e precisão. para as condições assumidas nos testes conduzidos, um tamanho do conjunto de treino de 256 amostras fornecem a melhor relação custo benefício entre a precisão e recursos de hardware. em relação à robustez ao ruído, os testes mostraram que a precisão global é melhorada quando as svms são treinadas para toda a faixa de relação sinal-ruído na qual poderão vir a atuar ao invés de treinar cada svm para um valor específico de relação sinal-ruído. finalmente, percebe-se que a precisão aumenta drasticamente quando o número de amostra aumenta.