随着通信技术的发展,基于对电磁环境感知并优化传输决策,以获得传输性能和效率之间更好的折中成为趋势。特别是在复杂电磁环境中,需要在保证通信网络健壮性的同时,支持系统随实时形势灵活配置通信链路。论文以单音、多音、部分带和扫频等典型干扰为代表,基于性能与复杂度的折中选取了经典的前向连续均值消除算法基于能量差异进行干扰检测,结合不同干扰的时频特点,设计了时频域级联的干扰检测方案,数字仿真结果证明,在干噪比5d B时,各干扰的检测率均能达到90%以上。论文研究了干扰典型参数的估计技术。论文首先深入分析了基于符号分裂矩、二阶周期图、二四阶矩及最大似然的信号、噪声功率估计技术。理论分析和数字仿真证明,符号分裂矩和二阶周期图法,不需要信号先验,适用范围广但性能受限,二四阶矩法复杂度低但性能较差,故本文选择了基于已知训练序列的最大似然估计算法。论文进一步针对存在干扰条件下,设计了联合信号、噪声和干扰功率的最大似然估计方案,数字仿真结果表明,在慢衰落条件下,估计的信噪比偏差不超过1d B,干扰功率估计在信噪比10d B时归一化均方误差不超过10-2。论文通过分析对比各类干扰的典型特征,选择了区分度更明显的归一化3d B带宽、频域矩峰度和归一化频谱峰度系数作为干扰特征。论文对以后向传播神经网络、支持向量机、决策树为代表的主流机器学习方法进行了分析和建模。数字仿真结果显示,随着干噪比降低,人为选择的干扰特征逐渐模糊,三种方法独立使用的识别效果均不理想,即便将其进行组合能一定程度上提升干扰的识别效果,但仍无法达到系统要求。论文进一步研究了基于卷积神经网络（Convolutional Neural Network,CNN）的干扰识别方法,选取信息量更为丰富的时频图像作为训练输入,由CNN对特征进行自动提取;通过分析对比,论文选用了图像细节更丰富,更精确的崔-威廉斯分布方法代替传统的短时傅里叶变换,并通过交叉项干扰抑制改进了多音时频图像变形的缺陷;论文进一步结合参数空间复杂度和识别性能优化了卷积层和卷积核的设计;数字仿真结果证明,在相同条件下,CNN可以比传统机器学习方案在干噪比0d B处总体识别率提升7%。论文针对目标干扰样本难以获取或者源干扰和目标干扰存在参数差异的条件,研究了小样本环境中的干扰识别问题,基于算法的适用性和标准小样本数据集上的测试结果,选定与模型无关的元学习算法结合数据扩充提升小样本场景下的干扰识别性能。论文阐述了支持集和查询集的任务采样、元训练和元测试的完整流程。数字仿真结果显示在源干扰和目标干扰参数存在差异且目标干扰可获得样本稀少的条件下,干扰识别率仍能保持在90%以上。论文以保证通信的可靠性为前提,以干扰参数、类别、信噪比环境和与之映射的优化链路作为输入,设计基于决策树的智能决策算法。论文对比了传统通信和本文中采用基于决策树的智能决策算法的仿真性能,可知在满足通信误码率要求的前提下,采用智能决策方法,可有效提升传输速率。论文构建了系统级仿真平台,并开发了可视化界面,其具备实时观察干扰和信号频谱态势,并展示出参数估计和干扰检测识别结果及链路决策的功能,经测试,其符合预期设计的功能。