跳频通信因其出色的抗干扰、抗截获和组网能力被广泛应用于军事与民用。但伴随着电磁干扰的不断智能化,传统的跳频通信系统抗干扰性能已无法满足实际需求。智能抗干扰通信在实现对电磁干扰环境感知的基础上,保障系统高效可靠的信息传输,目前已经成为抗干扰通信领域内新的研究热点。本文主要研究跳频通信的智能抗干扰技术。首先,为了提高跳频通信系统在动态变化电磁干扰环境中的抗干扰能力,提出一种基于改进遗传算法的跳频通信系统智能决策引擎。针对遗传算法收敛速度慢以及存在“早熟”现象等问题,在选择操作中引入染色体相似函数,既避免“早熟”现象又保证子代种群的多样性;在交叉操作中采取竞争策略,在较为优秀的个体上进行交叉操作,加快算法收敛速度;在变异操作中利用部分优秀个体的有效信息指导变异操作,使个体变异具有方向性,同时对可能为局部最优的个体进行混沌扰动,降低了收敛于局部最优的概率。与自适应遗传算法相比,改进遗传算法明显提升了收敛速度和收敛于最优解的概率。将改进遗传算法作为智能决策引擎的决策算法,在不同干扰环境下智能选择调制方式、发射功率、跳频图案等通信参数,仿真结果表明了采用改进遗传算法的智能决策引擎可有效提高跳频通信系统的抗干扰能力。其次,针对跳频通信的频率跳变特性,结合干扰信息提出一种综合考虑跳频序列的汉明相关性、均匀性、被干扰概率和跳频增益的抗干扰跳频序列设计方法。将跳频序列设计问题建模为单目标优化问题,使用灰狼算法进行求解。在灰狼算法中使用一种新型反向学习策略,相比于基本反向学习具有更高的概率找到最优解,加快算法的收敛速度;引入使用莱维飞行的信息交流机制,提高了狼群的信息利用率,有效避免了因领导阶层灰狼指挥狼群而带来的收敛于局部最优解的现象。仿真实验表明,在基本测试函数上,本文的改进灰狼算法比其他灰狼算法有更好的收敛速度和求解精度;在多种干扰情况下,本文方法设计的跳频序列相比于传统跳频序列和宽间隔跳频序列具有更强的抗干扰能力。最后,为应对智能跳频通信系统中跳频图案不再固定而是智能选择的情况,提出一种跳频信号智能接收方案。针对跳频信号与干扰信号在时频域上存在不同的特征,设计了一种CNN-GRU网络,将时频分析与深度学习相结合,实现跳频序列的智能估计。在CNN-GRU中使用SE（Squeeze-and-Excitation）模块提高卷积神经网络（Convolutional Neural Networks,CNN）对接收信号时频矩阵的特征提取和表达能力;使用门循环单元（Gate Recurrent Unit,GRU）提高网络对不同长度跳频信号的适应性;最后使用较小类别数的分类器解决网络参数过大而导致难以收敛的问题。仿真结果表明,网络具有较强的泛化能力和鲁棒性,在小样本的前提下使用迁移学习提升了网络模型的适应性和高效性,智能接收的误码率性能接近理想条件的接收性能。