正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)技术具有频谱利用率高、抗频率选择性衰落等特点,被广泛应用于各种无线通信系统中。但在实际通信场景中,OFDM系统容易受窄带干扰(Narrowband Interference,NBI)影响而导致系统性能下降。深度学习(Deep Learning,DL)利用多层神经网络学习并拟合系统模型,可以有效降低窄带干扰的影响。本文研究了基于卷积神经网络(Convolutional Neural Network,CNN)的OFDM系统窄带干扰消除问题,主要工作包括以下部分:第一,针对单独利用接收端进行抗干扰的场景,本文提出了一种CNN干扰估计器。该干扰估计器从经过处理的接收信号中提取干扰特征并估计时域干扰信号。本文论证了需要从时域估计干扰信号,并讨论了该干扰估计器的网络设计、网络训练等内容。本文在不同信道环境下,将该干扰估计器引入干扰消除系统中以估计并消除窄带干扰。实验仿真表明,该方案能够在不同环境下准确估计干扰,提升系统误码性能。第二,针对收发端可以进行协作抗干扰的场景,本文对基于收发联合处理的OFDM干扰抑制系统进行了研究。首先设计了一种CNN干扰参数估计器,逐子载波估计干扰信号参数;其次,在发送端对数据进行预编码处理,并验证该方案可在干扰参数未知时有效抑制干扰;最后,设计了一种收发联合处理的OFDM窄带干扰消除系统.接收端将估计到的干扰参数反馈至发射端,发端基于干扰参数进行预编码从而有效提升抗干扰能力并降低系统开销。仿真结果显示,该联合处理系统能够有效估计干扰参数,在窄带干扰参数不变时通过预编码方式可以对抗干扰信号的影响。