扩频(SS)系统自身固有的抗干扰能力取决于编码增益和处理增益，理论上，可通过提高系统的编码增益和处理增益来对抗任意强度的干扰。实际中的许多因素，如发送机／接收机的复杂性以及可供利用的带宽限定了处理增益的上限，因而在遭受超出干扰容限的强干扰时，扩频系统性能会严重恶化。 窄带干扰(NBI)容易产生，功率谱密度可以达到很高，且几个NBI就可覆盖一定的带宽，是军事领域常用的干扰样式。民用通信中，同信道的低速率数字信号对扩频系统而言是一个不容忽视的NBI源。如何有效地抑制强NBI一直是一个研究热点。 目前，常配合干扰抑制技术进一步提高系统抗干扰能力。现有的时域预测技术，变换域技术和码辅助技术都不是从尽可能改善扩频系统误码率，这个衡量系统通信质量的指标出发的。 本文从最小化误码率出发，得到了最小误码率(MBER)意义下的线性最优干扰抑制器，详细分析了其对常见NBI的抑制性能，并与其它干扰抑制技术做了比较。 接着研究如何有效实现MBER意义下的线性最优干扰抑制器。通过分析MBER，最大输出信干比(MSIR)，最小均方误差(MMSE)以及有约束条件的最小均值输出能量(MMOE)之间的关系，将实现MBER准则下的最优干扰抑制器这个难以解决的问题转化为后两种准则下最优滤波器的设计，进而得到实现最优干扰抑制的自适应算法和无需期望信号的盲自适应算法。 由MMSE准则得到实现最优干扰抑制的最小均方(LMS)算法，变换域最小均方(TrDLMS)算法，递推最小二乘(RLS)算法。采用正交三角(QR)分解克服RLS数值稳定性差，难以并行实现的缺点，并设计了能显著提高处理速度的脉动阵列(systolic array)结构来实现QR-RLS算法。通过建立以最优干扰抑制器权矢量为状态矢量的状态方程和以期望信号的多线性回归模型为观测方程得到实现最优干扰抑制的Kalman滤波。 以上自适应方法的不足是需要期望信号。本文通过约束矩阵的零空间矩阵将约束MMOE问题转化为低维无约束MMSE问题，进而得到无需期望信号的盲最小均方(BLMS)算法，盲递推最小二乘(BRLS)算法，以及盲Kalman滤波算法。 盲自适应算法能适应环境变化，但抑制干扰性能比相应的自适应算法差。本文将两者结合使用，当环境变化时启用盲自适应方法，待收敛后切换为判决反馈模式的自适应算法，这样就能达到跟踪环境变化，有效抑制干扰的双重目的。本文以QR-RLS算法与QR-BRLS算法为例讨论了两算法切换当中应注意的问题。