通信干扰信号的分类识别是复杂电磁环境感知的关键技术之一,是通信抗干扰的前提和基础,广泛应用于无线通信和通信电子战等领域。通信干扰信号分类识别本质上是一种模式识别问题,传统的通信干扰识别算法大多停留在浅层学习,无法对数据内部的特征信息进行详细的刻画,其识别效果往往受限于噪声和信号功率的大小,因此在干噪比（JNR）比较低的环境下,识别率往往很低。近年来,深度神经网络成功应用于很多领域,例如对图像、语音和调制方式的识别。深度神经网络可以挖掘数据内部潜在的特征,具有识别率高,且受噪声影响较小的优点,即使在JNR较低的时候,依然可以获得高的识别率。因此,本文基于深度学习理论对通信干扰信号的分类识别问题进行了深入研究。本文的主要工作有:首先,对通信干扰信号的产生机理和特征提取方法进行了研究,仿真生成了单音干扰、多音干扰、线性扫频干扰、部分频带干扰和噪声调频干扰等5种通信干扰信号,并针对干扰信号的时域和频域特点,在对通信干扰信号进行功率归一化后,提取了可以很好凸显不同干扰信号差异的特征,包括:频域矩峰度系数、频域矩偏度系数、单频能量聚集度、平均频谱平坦系数、频域参数、时域矩峰度系数等6个特征,并将这些特征组合作为训练集。然后,利用提取的特征信息,实现了一种基于多分类支持向量机（SVM）的通信干扰信号分类识别方法。仿真结果表明,在JNR较高时,基于SVM的通信干扰信号分类识别方法可以获得较好的识别率,但是在JNR较低时,识别率开始变得非常低。进而,针对基于SVM的分类识别方法在低JNR下识别率低的问题,提出了一种基于深度卷积神经网络（CNN）的通信干扰信号分类识别方法。将提取的5种干扰信号的6种特征每10个一组拼接成图片作为CNN的训练集,将训练集输入到网络中进行训练,得到CNN网络模型,并基于测试集进行测试,得到5种干扰信号的分类结果。仿真结果表明,在JNR比较低时,基于CNN方法的性能优于基于SVM方法,但是,当JNR很低和处理小样本时,基于CNN方法的识别率开始下降。尽管CNN方法具有较高的分类识别率,但其在小样本和更低JNR下识别率仍有待提高。针对此问题,进一步提出了一种基于深度神经网络（DNN）的通信干扰分类识别方法。将训练集输入到包含四个隐藏层的网络中进行训练,得到DNN的网络模型,然后将待识别的通信干扰信号进行同样的归一化处理和特征提取,生成相应的测试集输入到DNN模型中,得到通信干扰信号的分类结果。仿真结果表明,在小样本和更低JNR背景下,基于DNN方法的识别率高于基于SVM和基于CNN的方法。