广播式自动相关监视(Automatic Dependent Surveillance-Broadcast,ADS-B)作为一种新型的空中交通管理监视技术被广泛应用,其借助全球导航卫星系统(Global Navigation Satellite System,GNSS)的定位,将自身的飞行信息通过空中数据链路周期性的向外广播给其他飞行器和地面监管系统,该技术定位精度高、成本低,但公开的技术架构使其极易受到某些欺骗干扰,严重扰乱空中交通秩序。随着深度学习技术的迅猛发展,其在图像、语音识别和自然语言处理等领域上已广泛应用,并在信号处理领域,包括像信号调制识别,雷达图像识别以及信道资源分配等问题上,也展现了其巨大优势。因此,本文将主要研究基于深度学习的ADS-B欺骗式干扰检测方法。论文主要工作如下:第一,对ADS-B系统原理及其信号特点进行了介绍,并介绍了一些常见的欺骗手段。另外,介绍了深度学习在信号处理领域的应用,并分析了基于深度学习检测方法的优缺点,为后续利用深度学习检测欺骗干扰方法的研究奠定了基础。第二,提出一种利用改进型AlexNet提取特征并检测欺骗干扰的方法,该方法针对真实ADS-B信号的多普勒频偏变化规律与报告位置的变化规律相符合的特点,利用改进的AlexNet进行训练和预测,最后将训练好的神经网络模型用来识别真实信号与虚假信号。相比于已有方法,此方法只需要单一数据源,步骤简单,获得了在航迹长度较短时更高的识别准确率。第三,提出一种利用改进型Inception-ResNet直接对ADS-B时域信号进行检测的方法,该方法利用深层的Inception-ResNet网络强大的特征提取能力,直接将时域的ADS-B信号作为训练样本进行训练。此方法步骤极其简单,实现了真正意义上的端到端操作,相对前一种方法,此方法虽然训练时间变长且准确率略微下降,但其算法复杂度大大降低,更易于工程实现。