截止到2018年底,4G用户数已经达到11.3亿户,在全国LTE网络几乎全覆盖的情况下,对4G的研究拥有重大的意义。而干扰一直是影响TD-LTE网络质量的重要因素,目前国内运营商的干扰排查手段与流程单一,基本都采用人工排查的方式对干扰进行识别和处理。但随着网络规模的逐年扩大,辽宁省LTE小区总数已达到35000个,传统的人工识别方式已经力不从心,需要消耗大量人工成本,而且效率低下,无法保证准确率。因此构建一种自动化的干扰识方法势在必行。本文从运营商网络优化工作中实际遇到的问题出发,从受扰程度、受扰频段、以及受扰小区百RB频域干扰波形形态特征等多方面对大连市35000个LTE小区进行了特征分析。从频域波形特征开始进行干扰源探寻,对TD-LTE干扰诊断系统中F频段常见的干扰类型提出了两种不同类型的识别算法。算法一根据受扰小区的不同频域特征,将干扰小区进行归纳分类,提取出四种特征波形并设计相应的识别算法,最后通过MATLAB进行仿真实现;算法二为基于BP神经网络模型的自动识别,根据输出端数据和隐含层数量的不同,我们共设计了四种模型,通过前期的训练总结,选取了识别率和训练速度最优的一种,最后以最优的模型为基础,通过试凑法在训练数据的过程中确定了最佳隐含层,在确定隐含层的基础上完成了对训练次数的确定,使得该算法的自动识别率达到90%以上。在验证过程中,以人工识别为基准,对该算法的准确性进行了验证,并根据现网实际情况,对算法中的阈值进行了修改以提升准确率。在验证阶段运用大连全网35000个小区对两种方法所选择的模型进行识别率分析,并对比了两种模型的优缺点,分析得出BP神经网络模型对比传统识别算法具有学习效率高,可扩展性强和识别准确率高等特点。最后通过人工上站排查再次验证算法的准确性,做为干扰排查方法研究的有效完善和补充,使干扰排查工作落到实处。通过便捷有效的干扰自动分类模型和处理措施,在无线网络优化过程中快速将干扰小区整理分类并通过性质有效的排查手段降低或消除干扰,减轻运营商一线工作人员的指标压力并提升大连市移动用户上网满意度,这就是本文最终所要达到的目的和效果。