通信干扰决策是认知电子战相关研究中的一个关键技术难点。在复杂电磁环境下,传统通信干扰决策算法在针对敌方未知工作状态时,存在算法收敛慢,干扰效果差等问题,无法满足现代认知电子战对灵活性和实时性的需求。为了弥补传统通信干扰决策算法的不足之处,本文基于知识驱动的思想,对潜藏在通信干扰历史数据中的知识进行挖掘和建模,并设计了基于知识的通信干扰决策算法。本文的工作内容与创新点如下:（1）针对“点对点”通信场景中的未知通信模式,提出了一种基于知识的干扰动作推荐决策算法,解决了传统基于强化学习的干扰决策算法收敛慢的问题。该算法将历史数据中的干扰动作以及通信模式建模成为知识图谱中的实体,并基于历史数据相关性以及属性相关性,建立实体间的关系。在对知识图谱实体和关系建模的基础上,利用干扰方对被干扰方反馈信息的辨识以及知识图谱实体间的关系,计算被干扰方未知通信模式与干扰历史数据库中记录的通信模式间的相似度,并在此基础上实现最佳干扰动作的推荐。仿真实验结果表明,与传统的基于强化学习的干扰决策算法相比,基于知识的干扰动作推荐决策算法能够在较短的迭代周期内取得更好的干扰效果,平均误比特率相较传统算法高出约83%。（2）针对“多对多”通信组网场景中拓扑结构为未知的情况,提出了一种基于知识的贝叶斯神经网络干扰决策算法,解决了传统算法收敛慢、干扰效果差的问题。该算法通过对潜藏在干扰历史数据中的通信组网节点重要度知识进行挖掘,指导干扰机选取最优的通信组网节点组合进行干扰,并能够通过不断增长的干扰历史数据,实现知识的更新,从而不断优化干扰决策。仿真结果表明,相较其他同样不依赖通信组网拓扑结构先验信息的干扰决策算法,基于知识的贝叶斯神经网络干扰决策算法在不同类型的通信组网场景中拥有更好的泛化性以及较优的干扰效果,累计截断流数相较其他不依赖先验信息的干扰决策算法最高高出约6%。本文基于知识驱动的思想研究认知电子战背景中的通信干扰决策问题,对干扰历史数据中的知识进行充分挖掘和合理建模,使潜藏在历史数据中的知识能够辅助干扰机进行干扰决策,帮助干扰机在复杂的电磁环境中拥有更好的实时性和灵活性。