随着人工智能领域理论与技术的发展以及硬件水平的不断提高,近年来,深度学习逐步应用于无线通信系统的各个层面。基于深度学习的无线通信接收系统,能够直接从大量给定样本与标签中,学习到样本的分布,从接收到的信号中提取信道特征,通过逐层的特征变化最终恢复出发送符号。避免了复杂的参数估计过程,并且从传统的通信收发过程中逐模块的局部优化转向系统全局优化,体现出了极大的潜力。在很多通信场景中,信号在经过无线通信信道时,不仅受到高斯白噪声的影响,还会伴随很强的脉冲干扰,如低频/甚低频通信系统中的大气(天电)噪声、无线通信网络中的共道干扰、雷达杂波等。以往脉冲噪声下的信号接收研究主要针对纯脉冲噪声的场景,而在真实的通信场景中不可避免地存在高斯噪声。针对脉冲与高斯混合噪声信道下,噪声模型复杂、参数估计困难的问题,本论文研究了脉冲与高斯混合噪声下基于深度学习的无线通信信号接收技术,通过网络训练,回避噪声建模与参数估计过程。论文第一章给出了研究背景和意义,总结了脉冲噪声及脉冲与高斯混合噪声下无线通信信号接收技术的研究现状,以及深度学习在通信领域的应用,并对论文研究内容与结构安排进行了介绍。论文第二章主要研究混合噪声下,二进制相移键控(Binary Phase Shift Keying,BPSK)信号和最小频移键控(Minimum Shift Keying,MSK)信号基于传统统计信号处理的接收算法。首先介绍了对称α稳定(Symmetricα Stable,SαS)分布脉冲噪声模型,进而对SαS分布脉冲噪声与高斯噪声混合噪声进行建模,并给出了基于经验特征函数(Empirical Characteristic Function,ECF)的模型参数估计方法,通过网格搜索得到了论文中讨论的不同脉冲强度,和脉冲与高斯噪声不同混合比例的混合噪声概率密度函数(Probability Density Function,PDF)的经验模型。基于估计的混合噪声PDF,分别给出了 BPSK信号最大似然(Maximum Likelihood,ML)接收和MSK信号的维特比接收方法。论文第三章研究混合噪声下基于深度学习的BPSK信号解调算法。首先介绍了本论文中使用的深度神经网络、卷积神经网络与长短时记忆网络模型,然后根据信号特征设计了 BPSK信号单符号接收与块接收网络,并对采用网络接收的误码性能进行了仿真。仿真结果表明:当测试噪声参数与训练噪声参数一致时,混合噪声下基于深度学习的BPSK信号接收网络硬判决误码性能接近传统方法,相差约0.1～0.2dB,但避免了传统接收方法所需的噪声模型参数估计。论文还仿真了基于深度学习的BPSK信号单符号接收网络对训练噪声参数的泛化能力,仿真表明:网络对噪声混合比例变化及脉冲噪声特征指数α增大具有鲁棒性,但对α减小的泛化能力较差。论文第四章研究混合噪声下基于深度学习的MSK信号解调算法。根据MSK信号的记忆性特点,首先设计了基于长短时记忆网络的MSK信号直接接收网络。另一方面,本章研究了采用U-Net对接收信号进行预处理抑制噪声,再采用长短时记忆网络进行MSK信号接收的方法。此外,本章还研究了用于维特比算法的深度学习网络测度算法,用以替换基于拟合噪声PDF的ML测度。仿真对比了混合噪声下,三种基于深度学习的MSK信号接收网络与基于拟合噪声PDF的ML测度的维特比解调算法的误码率,结果表明:基于网络测度的维特比算法具有最优的误码性能,在误码率为10-3处较于拟合噪声PDF的ML测度有约0.22dB的性能增益。进一步,对网络测度在其他噪声参数下的泛化能力进行了仿真,仿真表明:网络对噪声混合比例变化及脉冲噪声特征指数α增大具有鲁棒性,但对α减小的泛化能力较差。论文第五章对全文进行了总结,并对后续工作进行了简要说明。