全球导航卫星系统（Global Navigation Satellite System,GNSS）提供的位置、速度和时间服务具有精度高、全天候等特点,被广泛应用于生活的各个方面。因此,其服务的安全性变得越来越重要。然而,因为卫星导航信号在到达地球时变得极其微弱,所以它们很容易受到干扰。针对卫星导航信号中可能遇到的干扰源信号进行快速检测与识别,这对整个干扰监测系统建设以及提高导航系统抗干扰性能都有重要的意义。本文首先对GNSS中的全球定位系统（Global Positioning System,GPS）进行了介绍,并分析了GPS信号的频率特征。然后对GNSS干扰源信号进行了分析并对典型的干扰信号建模。接着遵循干扰信号模型的数理基础,通过数据采集闭环系统获得了原始的干扰信号数据。其次本文研究了传统的干扰检测技术。对基于时域分析的能量检测算法、基于频域分析的连续均值消除（Consecutive Mean Excision,CME）和前向连续均值消除（Forward Consecutive Mean Excision,FCME）算法做技术迁移,用来完成GNSS干扰源信号的检测。仿真结果表明,传统的干扰检测算法都能完成干扰信号的检测,但检测性能都受制于干噪比（Jamming-to-Noise Ratio,JNR）条件。若干噪比低于-5d B,能量检测算法的检测概率会急剧下降;若干噪比分别低于-8d B和-12d B,CME和FCME算法的检测概率分别也会有不同程度的降低。最后本文采用基于数据驱动的方法,即深度神经网络算法对GNSS干扰源信号进行检测与识别。使用的深度神经网络类型包括卷积神经网络（Convolutional Neural Network,CNN）与残差网络（Residual Network,Res Net）,随后对上述网络进行训练、测试、验证。在GNSS干扰源信号检测方面,使用CNN对干扰信号进行检测。研究结果表明,在干噪比大于-17d B时,该网络就能够对干扰信号进行准确检测;在GNSS干扰源识别方面,分别使用CNN和Res Net对干扰信号进行识别。研究结果表明,在干扰信号类型多（12类）、干噪比低（-4d B）条件下,CNN的识别准确率只有72%,而Res Net的识别准确率比CNN提升了12%。若能将本文提出的方法应用于工程实际,对提高干扰信号检测与识别性能具有一定的现实意义。