架构在无线自组织网络中的链路除了受到邻居链路的影响外,也会受到来自背景噪声与环境中干扰源的干扰。在这种条件下,一方面节点之间需要通过合作,检测干扰源的数量和位置、功率等信息,另一方面整个无线自组织网络需要做出链路规划的调整,以规避干扰区域并保持尽可能高的传输速率。与此同时,人工神经网络作为近些年来的研究热点,其较强的学习能力和处理模糊、非线性问题的能力使其可以胜任许多复杂工作,在通信相关的领域也颇具潜能。本文主要研究了干扰源检测和链路规划问题,并基于人工神经网络设计了解决方案。本文首先介绍了无线自组织网络中干扰源定位的基础知识,并举例了几种典型的定位算法,接下来就无线自组织网络链路规划问题进行了描述,并介绍了几种通过迭代寻找最大单时帧吞吐量链路规划的方法。接下来着重介绍了人工神经网络,列举并分析对比了几种常用的激活函数,并介绍了深度神经网络(DNN,Deep Neural Network)和卷积神经网络(CNN,Convolution Neural Network)。接下来,本文结合人工神经网络对干扰源检测定位和链路规划问题进行了研究。本文先提出了一种基于CNN的单干扰源的检测方案。该方案以干扰区域内受干扰节点的分布和接收信号强度为输入,能够预测无线自组织网络中的单一干扰源信息,并设计了针对其特殊网络结构的高效混合训练方法。相较其他干扰源定位算法,该方法在仿真中具有较高的准确度。本文重点研究了针对多干扰源的干扰源检测方法。以单干扰源检测方案为基础,改进为针对多干扰源的最大功率干扰源检测网络,并设计了以功率顺序从大到小依次检测多干扰源的方案。为保证检测准确度,检测方案经过两次确认才认为环境中仍有剩余干扰源。通过仿真,验证了方案的有效性。最后,本文研究了链路规划问题,设计了基于DNN的网络链路规划方案。该方案依照链路的对称性简化训练参数,以达到较好的性能,并可以与干扰源检测网络进行直接级联。尽管在多干扰源环境下的仿真中,该方案的性能略差于基于迭代的数学方法,但却拥有较低的运算成本,适用于实时性较高的网络。