本文研究了通信系统中典型干扰感知技术,基于监督性学习方法完成干扰信号识别,利用干扰和信道信息完成智能决策优化等关键技术。论文基于干扰感知的基础理论,分析了典型干扰感知的基本理论和性能,建立了针对典型干扰的检测模型;利用不同干扰信号在不同变化域的典型特征,通过与低复杂度的机器学习相结合等方法提高干扰识别率;论文基于典型通信系统:DVB-S2系统,分析了信干噪比估计方法,建立了基于干扰分析的智能决策优化模型,并通过仿真验证了算法模型的性能。论文首先研究了基于能量检测的干扰感知技术。仿真分析了典型的干扰信号模型,并研究了匹配滤波,能量检测等信号检测算法,并通过对比,综合性能和复杂度选择能量检测算法作为检测方法;论文分析并对比了连续均值去除(Consecutive Mean Excision,CME)和前向连续均值去除(Forward Consecutive Mean Excision,FCME)两种干扰检测门限设置方法,选择性能更好的FCME算法进行后续仿真分析;论文从时域和频域的角度针对不同干扰进行检测,并验证了仿真性能。论文接着研究了基于离线监督性学习的干扰感知技术。通过提取干扰信号的典型特征,避免了干扰原始数据中数据量过大、存在冗余等情况带来的问题,并仿真对比不同干扰在不同典型特征下的差异;论文研究了基于决策树和后向传播(Back Propagation,BP)神经网络的干扰识别技术,分析其理论算法,重点研究两种学习方法的识别性能。论文通过分析决策树干扰识别性能,根据决策树算法识别性能较差、门限需要人为设置的问题,利用多种方法相结合的方式提高性能。论文针对BP神经网络隐藏层节点数分析研究,如果节点数过少,则网络拟合能力较差;如果节点数过多,则容易导致过拟合,为了得到可靠稳定且泛化能力强的模型,论文利用交叉验证的方法分析不同隐含层节点数量下的模型平均预测误差,利用仿真结果选择平均预测误差最小的节点数。论文对基于决策树和后向传播神经网络相结合的方法进行干扰识别性能仿真,结果表明两种方法结合相较于单种学习方法性能有较大提升。论文然后研究了基于神经网络和优化算法的智能抗干扰决策技术。基于项目背景,利用典型通信系统DVB-S2系统,选取8条通信链路用做后续仿真,分析了智能决策系统的典型理论模型以及影响性能的关键参数;论文着重研究了影响决策性能的信干噪比估计技术,并通过仿真对比了四种不同的估计技术:分裂符号矩(Split-symbolmoments estimator,SSME)、最大似然(Maximum Likelihood,ML)、循环平稳周期图(Cyclostationary,CS)、二四阶矩法(Second Moment and Fourth Moment Mehthod,M2M4)估计技术,基于非数据辅助的分裂符号矩和循环平稳周期图两种方法需要对接收序列的全部符号进行计算,并且都利用了过采样技术,计算复杂度相对于基于数据辅助的最大似然和二四阶矩法较大,仿真结果显示在复杂度相似的条件下,ML算法的估计性能优于M2M4算法;论文完成了基于蜂群算法(Artificial Bee Colony Algorithm,ABC)等算法的抗干扰决策模型构建,设计适应度函数等学习算法相关参数,通过仿真测试典型通信系统下的模型性能,验证以最小功率实现最可靠(误比特率最小)和最高效(频谱效率最高)的通信为目标,并在保证可靠性和有效性的情况下实现最小发射功率的决策策略。论文对比分析了神经网络和蜂群算法智能决策技术性能,结果表明两种算法都能够实现在误码率(Bit Error Ratio,BER)满足系统要求的情况下尽量使得频谱效率最高,发射功率最小的目标,并且当数据不在训练集中时神经网络的在误码率性能方面较优。论文最后总结了全文的研究成果,并指出后续的研究方向。