近年来,无线信号感知识别技术受到广泛的使用。然而信号传播环境中的多径干扰造成感知识别性能下降是实际应用中面临的重要调整。多径干扰复杂多变,难以准确表征建模,并且难以分离。已有工作利用手动提取的特征维度有限,无法分离复杂干扰;且大都只针对少数种类多径干扰进行处理。针对上述多径干扰问题特点以及研究现状,本文提出一种基于对抗网络和模型解释相结合的无线感知干扰分离方法,并且对于方法的效果和性能开展实验进行验证评估。下面是本文的具体研究内容:（1）为了解决多径干扰复杂多变,难以预估建模并分离的问题,本文提出一种基于对抗网络的无线信号多径干扰分离方法。该方法构建一个基于对抗网络框架的干扰分离模型,由特征提取器、干扰判别器和感知分类器组成。在模型训练过程中,通过特征提取器和干扰判别器的相互对抗,同步增强双方性能,最终实现特征提取器对干扰分离函数的拟合。同时,模型还提供了感知识别方法,通过感知分类器参与模型训练过程,得到和无干扰特征相匹配的感知识别器。（2）为了解决干扰分离模型训练拟合不充分,各部分收敛难以同步的缺陷,本文提出一种基于深度学习模型可解释性的干扰分离优化-评估方法。第一步,利用局部近似模型可解释性技术,得到训练中干扰分离模型的解释结果,即模型所依据的训练数据关键特征;第二步,计算出有干扰数据与无干扰数据的关键特征差异值。利用其构建自定义损失函数和训练评估阈值,更好的优化与评估干扰分离模型训练过程。（3）为了验证上述方法的有效性,文章设计并实现了基于对抗网络和模型解释的干扰分离原型系统,并且在多种多径干扰情况下构建了实验数据集,用于对系统进行全面评估。实验结果表明,系统在面对各类多径干扰均展现出有效分离性能,使用本系统分离干扰后的人体手势感知识别平均准确率从54.72%提升到85.26%,并通过特征降维可视化表征了这一结果;同时通过评估训练过程及训练结果证明了系统干扰分离优化-评估方法对系统稳定性的作用。而且面对相同的多径干扰,系统相对于现有其他相关工作展现出更好的分离性能,平均感知准确率约高出23.39%到26.32%。