目前,得益于愈加成熟的人工智能技术,许多领域都进入了高速发展期。与此同时,人工智能技术在认知电子战领域中也使用得越来越频繁。干扰决策是认知电子战中非常重要的一个环节,传统的干扰决策技术灵活性较差,在应对具有一定抗干扰能力的通信系统时,有效干扰率较低,且容易造成资源浪费。干扰决策可以等效成一个贯序决策问题,而机器学习中的强化学习技术是解决贯序决策问题的有效手段,因此本文将强化学习技术应用于干扰决策,通过与环境反复地交互,干扰方可逐渐学习到最优干扰策略并自动生成干扰参数,以提升干扰成功率。本文所完成的工作主要包含以下几个方面:首先对强化学习的主要原理和研究对象进行介绍,并分析强化学习的一些经典算法,然后分析深度强化学习,以及基于策略梯度和基于Actor-Critic的两种主流深度强化学习模型。介绍数字通信系统的组成,并分析了对其进行干扰的可行性,以及对常见数字调制样式信号进行干扰的基本原理。然后分析了深度双Q网络（Double DeepQ Networks,DDQN）的基本原理,并针对通信方的状态转移过程是马尔科夫过程这一场景,提出了基于DDQN的通信干扰策略生成算法,利用BP神经网络搭建干扰决策网络,并针对传统强化学习中智能体“探索”与“利用”难以平衡的问题,提出根据历史时刻的平均奖赏值来作为控制探索概率ε改变的因子来对探索策略进行改进。实验结果显示,改进后的算法相较于未改进的算法以及传统算法有效干扰率更高,能在更短时间内达到收敛。随着与环境多轮次地交互,干扰方能够逐渐学习到最优干扰策略。最后分析了案例推理的基本理念以及多臂赌博机算法的基本思想,并针对干扰方在面对一种从未侦察到过的通信信号参数,且通信方参数变换周期较长这一场景,提出了基于案例推理-多臂赌博机的最优干扰参数搜索算法。首先根据侦参数从案例库中匹配出若干相似案例,并将这些相似案例的解进行加权求和计算一组参数作为多臂赌博机算法初始时刻的最优动作,以此来提高多臂赌博机算法的搜索效率。实验结果表明,结合案例推理的多臂赌博机算法相比于未结合的算法能够在更短的时间内搜索到最优干扰动作。