调频广播主要是以无线发射的方式来传播声音等信号,具有覆盖范围广,易安装,高音质,低成本等众多特点,相对于传统有线广播来说,具有无可替代的优势。本论文基于某无线电部门的立项课题,主要是针对广播频段(87 MHz到108 MHz),利用无线电监测设备对广播频段的频谱信号进行扫描,对频谱信号进行数据预处理,并基于结合机器学习算法,进行信号特征提取以及无线电频谱信号的分类处理,从而发现伪基站、黑广播、考试作弊信号等异常信号,主要的研究工作如下:首先,针对广播频段频谱信息,进行了相关的预处理算法,通过改进型K-Means算法以及局部异常因子算法,达到了剔除包含毛刺信号的原始样本数据的目的,并通过对频谱信号进行小波分析,将原始信号进行小波分解与小波重构,从而实现了原始信号的消噪目的。其次,通过对广播频段频谱信号特征的分析和大量的频谱信号比对,总结了频谱信号个体特征提取方法,提取了11种广播频段的总体信号特征,最后提出利用灰色关联度聚类分析来对频谱信号的特征进行提取,为后续分类算法提供一定的基础。进一步地,根据广播频段频谱信息的特征,结合支持向量机和超限学习机的理论与实验,通过将SVM、ELM以及组合式分类器进行一系列对比发现,本文提出的组合式分类算法对广播频段频谱信息的分类效果较好。最后提出将梯度提升决策树(GBDT)与logistic回归(LR)特征融合的分类算法应用在广播频段频谱信号处理上,样本仿真研究表明,该算法效果更好。