在对抗环境下,无线网络中存在恶意的电磁干扰,使得电磁环境日益复杂。传统抗干扰手段存在一定局限,无法适应战场环境下通信传输的要求。当敌方采用智能干扰时,单个节点、单条链路由于资源有限,很难有效对抗敌方干扰。如何有效地对抗干扰成为亟待解决的问题。因此,本文围绕抗干扰问题,对节点的信道选择和功率选择进行研究,针对不同的干扰策略,提出了离线学习和在线对抗两种智能抗干扰决策方法。主要工作为:（1）针对动态干扰提出了一种基于精英粒子群（Elite Particle Swarm Optimization,EPSO）的抗干扰决策算法。该算法中,通信方通过离线学习,保留全局和局部最优位置两个信息,得到在不同的干扰功率下的最佳抗干扰策略。虽然该算法优化效果好,但由于迭代速度慢,无法满足实时决策需求。为此,提出基于反向传播（Back Propagation,BP）神经网络的抗干扰决策方法。该方法利用EPSO算法获得大量数据集,训练神经网络模型,然后使用训练后的模型进行在线决策。仿真结果表明,在动态干扰下,采用BP神经网络模型与EPSO算法相比,吞吐量的相对误差很小,并且能够实现实时决策。（2）针对智能干扰提出了一种基于Q学习在线对抗的智能抗干扰决策算法。在在线对抗的过程中,通信方和干扰方分别根据探索率参数决定采用“探索”或者“利用”方式。若选择继续“探索”,那么通信方随机选择动作策略,并且根据转移概率更新各自的Q表;若选择“利用”方式,那么通信方将选择Q表对应状态下Q值最高的动作策略,并更新Q表。仿真结果表明,在面临智能干扰时,该算法能够实现在线对抗,并且达到较好的抗干扰效果。综上,基于离线学习的认知抗干扰方法仿真得到的抗干扰效果较好。基于BP神经网络模型能够实现实时决策,且与EPSO算法吞吐量的相对误差较小。基于在线学习的Q学习抗干扰方法能够实现在线对抗且抗干扰效果很好。