从第一颗人造卫星发射,到2019年2月28日Oneweb公司发射第一批互联网卫星,卫星通信逐渐走入人们生活,成为地面通信不可或缺的补充部分。卫星通信按照使用主体可分为军用和民用,尤其是军用卫星,更容易受到敌方恶意的人为干扰。且卫星运行在地球轨道,位置容易被敌方获取;且卫星通信链路载体为自由空间电磁波,容易受到敌方干扰。在现代战争中,通信对于一场战争的胜利尤为重要,所以需要对卫星通信干扰检测识别及抗干扰决策技术进行研究。本文使用改进的自适应共振(Adaptive Resonance Theory,ART)神经网络对卫星通信的干扰信号进行分类识别。首先对传统的ART2神经网络进行了改进,因为传统的ART2神经网络在干扰分类方面存在两个方面的问题。一方面是传统的ART2神经网络只对输入向量的角度信息敏感;另一个方面是传统的ART2神经网络的判定系统是非线性的,且取值范围小。改进后的ART2神经网络的输入层增加了提取输入向量模的能力,把判定系统改为线性的并增大了取值范围。然后提取出干扰信号的高阶累积量作为干扰特征,最后把干扰特征送入改进的ART2神经网络进行干扰分类。仿真结果表明,该算法可以有效的识别出各种压制式干扰。根据干扰方的干扰样式是否改变分为固定样式干扰和非固定样式干扰。固定样式干扰在一段时间内不会发生变化,非固定样式干扰会随着通信参数的改变而改变。针对固定样式干扰,本文提出了基于值迭代的强化学习抗干扰决策系统。该算法参照WGS卫星通信系统建立起七色蜂窝小区模型,使用决策系统选出无干扰的小区进行通信。决策算法中的状态以通信中的调制方式、频段和功率为参数确定;动作为一次改变一种通信参数;目标由通信速率、误码率和功率的加权和组成。仿真结果表明,通过值迭代算法,该决策系统选出的状态可以有效的避开干扰,实现正常通信。针对非固定样式干扰,分析确认了干扰方和抗干扰方争夺的主要资源为时频块。决策系统核心为Q学习,以干扰方选择时频块的样式为状态,以通信方选择的时频块的样式为动作,以成功通信的资源块数目减去被干扰的资源块的数目之差作为目标。仿真结果表明,基于Q学习的决策系统可以发掘出干扰方背后的干扰策略,从而预测出干扰样式,实现抗干扰通信。