射频干扰的识别和标记是500米口径球面射电望远镜（FAST）数据处理流程（pipeline）的主要步骤之一。由于其较高的灵敏度和较大的数据产生率,需要一种准确和有效标记FAST的中性氢数据中射频干扰的方法。在过去的几年里,采用人工智能（AI）的方法,如使用卷积神经网络（CNN）的模型,已经能较为可靠和有效地识别射频干扰。然而,用这种方法标记FAST的射频干扰通常还需要进一步对结果进行人工优化,仍无法实现自动化的处理。此外,神经网络模型的修正、射频干扰的人工标记以及训练数据集的准备将显著地增加额外的工作量。因此,快速灵活地调整和部署现有算法来适应不同观测数据的方案是不切实际的,仍然需要一个有较高检测精度且能灵活快速调整的射频干扰识别方法。同时考虑到射电望远镜的数据产生速率较大,还要设计一个框架来运行深度学习模型,使其在检测精度和性能（数据吞吐量）之间达到平衡。为了克服这些问题,本文首先提出了一个名为RFI-Net的模型。RFI-Net无需任何处理数据的预处理,只需输入原始数据,即可自动检测射频干扰,准确地生成相应的掩膜（mask）。在模拟天文数据上进行的实验表明,本文的模型在精度和召回率方面都优于现有的方法。此外,与其他模型相比,本文的方法可以在较少的训练数据下获得相当的精度,从而节省了准备训练集所需要的工作量和时间。而且,与其他CNN模型相比,RFI-Net的训练效率更高,同时减少过拟合。RFI-Net的性能也通过FAST真实的中性氢观测数据进行了评估。结果表明,RFINet能够直接用于准确识别FAST数据中的射频干扰,产生细粒度、高精度掩模。然后,本文将RFI-Net集成到了一个可扩展的框架中,做成了一个工具包。其可以在多CPU、多GPU集群上运行并行工作流,以此提高数据的吞吐量。该框架可以根据运行环境调度工作负载,收集结果,并处理整个过程中遇到的各种类型的错误。其主要模块都是可替换的,可以根据用户的需求定制。利用FAST的观测数据进行的实验表明,使用8条并行的工作流,该框架能够以66.79 GB每小时的速度处理中性氢数据,考虑到FAST河外谱线观测的数据速率,其已经可以实现准实时的射频干扰识别。