随着信息技术的发展以及信息化程度提高,各种通信设备种类和功能不断完善的同时也造成了环境中各种各样干扰的产生。多种干扰在多域相互交织与影响,导致通信质量下降。由于通信环境时刻遭受干扰的影响,因此研究通信的抗干扰技术一直是研究热点。目前人工智能不断崛起,基于学习的方法在图像和自然语言处理等领域取得显著成就,这使得研究人员考虑将人工智能与通信抗干扰相结合,使得抗干扰方式更加智能化与实时化。新一代智能抗干扰通信技术值得深入研究。本文在对传统通信抗干扰技术与智能抗干扰技术的国内外研究现状以及干扰模型总结分析基础上,分析了卷积神经网络用于通信干扰模型学习和作为干扰抑制方法的可行性。有别于传统扩频抗干扰的角度,本文从干扰学习和基于计算的抗干扰方法角度设计了基于深度学习的通信抗干扰接收算法,论文从以下几个方面阐述了主要工作:(1)针对传统直扩抗干扰通信占用带宽过大的问题,提出一种基于卷积神经网络接收端抗干扰算法,该方法首先将带有干扰的接收信号经过信号预处理,得到低通采样信号,信号经过格式处理与转化得到神经网络可以训练的输入信号。本文对常规的卷积神经网络进行结构化改进,用于处理一维通信数据,学习网络通过特征提取与学习,不断迭代最终获得干扰估计。将获得的干扰估计量从接收信号中消去达到干扰抑制的目的。该算法不对信号进行扩频处理来抑制干扰功率,而是牺牲了学习算法的计算资源,在相同性能下可以显著降低占用带宽。(2)针对抗干扰算法无法同时适应不同干扰类型与不同信号功率的问题,本文在上述的基于学习的抗干扰算法基础上进行改进,固定信噪比与干扰功率进行泛化性能分析。此外,本文在算法前端加入干扰分类算法,通过感知通信环境中的信号,识别出目前的干扰类型,选择相应的学习算法模块,实现对多种干扰的估计与抑制。对不同的干扰进行相应的学习算法训练,进而加入到干扰数据库,不断增强算法的干扰适应能力。综上,本文就设计的算法进行性能仿真。仿真结果表明本文提出的基于学习的抗干扰接收算法在保证系统误码性能的情况下,有别于传统扩频方法以带宽换取抗干扰增益,利用计算能力提升接收端的抗干扰性能;改进的基于学习的抗干扰算法在本文搭建的干扰环境下误码性能整体表现优良,泛化性能较好。