随着无线通信技术的发展,各种各样的无线通信设备已经在民用领域和军用领域广泛使用。然而,大量无线通信设备的使用,为电磁环境的监测带来了很大的困难与挑战。作为电磁环境监测的一部分,如何有效地对复杂电磁环境的异常进行检测,有着不可忽视的重要意义。为了解决复杂电磁环境下的异常检测问题,本文对基于深度学习的电磁环境异常检测新方法进行了理论建模和方法研究。本论文研究的主要内容可归纳如下:首先,本文对电磁环境的异常进行了定义并给出了相应的数学模型。同时,本文对电磁环境中异常的特点进行了分析,指出了电磁环境中异常检测存在的难题与挑战。其次,本文对神经网络及深度学习的相关理论和算法进行了研究,重点研究了深度学习中的自动编码器算法,为后续的研究工作提供了理论支撑。然后,本文根据电磁环境异常的特点以及深度学习中自动编码器的相关理论,提出了一种适用于处理海量高维数据的非监督的电磁环境异常检测方法,即基于自动编码器重构的异常检测方法。仿真实验和实测实验表明,基于自动编码器重构的异常检测方法不仅能够正确的检测出电磁环境中出现的异常,而且,相比于其他算法,可以有效提高检测的准确度。最后,考虑到基于自动编码器重构的异常检测方法中存在的两个问题,即重构代价高以及门限选择困难,本文对该方法进行了改进,提出了基于自动编码器网络改进的单分类电磁环境异常检测算法。仿真数据实验与实测数据实验表明,基于自动编码器网络改进的单分类异常检测算法的检测性能要优于传统的单分类异常检测算法,通过增加自动编码器网络的深度,能进一步提高检测性能。而且,该算法能增强异常检测模型的自主性,为智能通信系统的设计提供了新的思路。