近年来,在万物互联的应用需求推动下,无线通信技术迅猛发展,与之伴随的电磁环境也日益复杂,给信息传输的可靠性和有效性带来了前所未有的挑战。在众多干扰威胁中,人为恶意干扰信号会严重破坏系统传输性能,除“硬抗”干扰以外,通信系统的抗干扰手段都以干扰信号检测为基础。为此,本文研究了典型压制式恶意干扰信号识别和参数估计技术及其FPGA实现方案,在此基础上构建了恶意干扰信号检测系统。论文的主要研究内容包括以下四个部分:第一,针对干扰信号可靠识别问题,基于BP神经网络和卷积神经网络（Convolutional Neural Network,CNN）研究了两种干扰信号识别算法。首先研究了三种信号预处理方法,包括直流去除、功率归一化和加窗处理,以提升干扰检测的准确性;然后设计了基于人工提取七种干扰特征的BP神经网络;针对特征选取标准模糊的问题,设计了CNN对干扰特征进行自动提取,并融合了两种模块化结构,增强了网络的分类能力。仿真结果表明:基于CNN自动特征提取的干扰信号识别算法所需采样点数比BP神经网络更少,同时识别性能更优。第二,针对干扰信号参数高效估计问题,基于三类信号的不同特征研究了干扰信号参数估计算法。针对时频域连续干扰信号,研究了基于前向连续均值去除（Forward Consecutive Mean Excision,FCME）的参数估计算法,对FCME算法进行了优化以利于FPGA实现;针对音调类干扰信号,给出了基于离散傅里叶变换（Discrete Fourier Transform,DFT）的音调频率估计算法和多音干扰音调频点估计算法流程;针对线性扫频干扰信号,提出了多段连续采样序列参数估计方法,解决了采样时长不足一个扫频周期且采样信号跨周期的问题。仿真结果表明:提出的各类参数估计算法具有良好的估计性能。第三,针对干扰信号识别和参数估计算法的FPGA实现问题,研究了关键算法的实现方案。针对BP神经网络,提出了15折线段近似sigmoid激活函数的实现方法,在寄存器传输级（Register Transfer Level,RTL）设计时只需移位、拼接即可实现神经元的激活;针对CNN,利用FPGA并行计算的优势实现了CNN的基本单元,并对其进行串行复用和流水线处理,以较低的资源占用实现了复杂的CNN;对FCME算法进行了改进,不再需要反复迭代判决门限。第四,基于Xilinx XC7K325T型号FPGA芯片的硬件平台,完成了干扰信号识别和参数估计算法的电路测试,给出了硬件资源消耗、实测性能以及处理时延等关键性能指标。结果表明:干扰识别实测性能相比仿真性能的干噪比（Jamming-toNoise Ratio,JNR）回退不超过2d B,干扰参数估计实测性能与仿真性能接近,满足应用需求。