无线通信技术的快速发展,不仅改变了人们的生活方式,而且改变了现代和未来的战争模式。为保障信息传输的可靠性,通信系统须具备抗干扰能力,其中跳频技术作为目前应用最广泛的通信抗干扰技术,受到了众多研究人员的重点关注。本文设计了基于USRP RIO平台的抗干扰自适应跳频通信系统框架,并进一步研究实现了基于强化学习决策的抗干扰通信系统和基于深度学习预测的抗干扰通信系统。通过机器学习算法实现智能抗干扰技术,有效增强了通信系统的抗干扰能力。具体工作如下:（1）为了躲避或抑制恶意干扰实现可靠通信,本文基于软件无线电平台USRP RIO设计了抗干扰自适应跳频通信系统框架。根据抗干扰自适应跳频通信系统的基本功能需求,设计了用户、干扰机、感知节点和信息处理中心四个主要模块,阐述了各模块的功能和物理实现方式。并根据自适应跳频通信系统框架,对系统功能实现流程进行了设计。（2）提出基于Q学习算法的跳频频谱状态感知及其更新方案进行优化频段选择,实现了基于强化学习决策的抗干扰通信系统模型搭建及系统流程设计。首先,利用双阈值能量检测实现频谱感知,获取频谱状态信息。其次,以频谱状态为输入,更新Q学习的奖励表,通过Q学习算法迭代训练得到更新的Q表,继续监测频谱状态信息。当频谱状态改变时,根据上述步骤继续更新Q表,否则保持Q表不变。系统根据Q表选择优化的频段进行跳频通信,从而避免干扰。最后,通过实验结果分析,验证了基于所提方案的自适应跳频系统确实可以实现优化跳频频段选择,降低被干扰的概率。（3）提出基于长短期记忆网络的逐时隙频谱状态预测方案进行空闲频谱预测,实现了基于深度学习预测的抗干扰通信系统模型搭建和系统流程设计。首先,利用频谱感知获取的频谱信息与设定阈值进行比较,将频谱状态信息表示为占用和空闲两种状态。其次,以频谱状态为输入,通过长短期记忆网络模型进行学习训练,利用训练得到的模型参数搭建长短期记忆网络预测模型进行逐时隙的频谱状态预测,优化的选择空闲频段实现跳频通信,避免干扰。最后,通过实验结果分析,验证了基于所提方案的自适应跳频系统可有效预测频谱状态用于跳频频段选择,帮助用户提前避开干扰,保障用户的通信质量。