同时同频全双工系统能够在相同的时间和频率下发送和接收信号,相对于时分双工和频分双工系统而言理论上能够使频谱利用效率翻倍,是下一代无线通信技术的发展方向之一。同时同频全双工系统中,亟待解决的关键问题之一是自身发送的信号产生的自干扰会影响有用信号的正确解调,但可以分别在天线域、模拟域以及数字域对自干扰信号进行抑制。本文主要针对传统的数字域自干扰抑制技术抑制能力不足的问题,研究了一种全双工数字域深度学习自干扰抑制技术,主要内容包括:第一,对同时同频全双工系统中的自干扰信道模型进行了分析以及建模,分析了自干扰信道中的主要干扰成分来源,并根据自干扰信道模型设计了数字域深度学习自干扰抑制方案。研究了深度学习自干扰抑制模型中各个组件的设计准则及其作用,并给出了深度学习自干扰抑制模型的自干扰信号重建与抑制方案。第二,设计了一种数字域参考信号的特征提取算法,并将该算法作用于深度学习网络的特征层与深度学习自干扰抑制模型相结合,提高了深度学习自干扰抑制模型的自干扰抑制能力与鲁棒性。研究了深度学习自干扰抑制模型的收敛算法,激活函数,以及特征维数等对自干扰抑制性能的影响,并分析了在全双工系统中干噪比变化的情况下深度学习模型的训练策略。同时,分析并建立了深度学习模型的自干扰抑制能力与损失函数值之间的量化关系。第三,实现了数字域自干扰抑制仿真系统代码,并对数字域深度学习自干扰抑制方法进行了仿真分析。仿真结果表明,深度学习自干扰抑制技术在自干扰信号干噪比为30dB的条件下,不采用额外的参考信号特征提取算法的情况下能实现22.70dB的自干扰抑制能力,采用额外的参考信号特征提取算法的情况下能实现27.33dB的自干扰抑制能力。论文研究了同时同频全双工系统中数字域深度学习自干扰抑制技术,并对该自干扰抑制技术进行了仿真分析,为进一步提高全双工系统中数字域自干扰抑制性能提供了新的方法与研究方向。