电磁干扰（EMI）是影响电子设备工作性能的一大障碍,尤其是在当今充斥着各式各样电磁信号的复杂空间电磁环境下,电磁干扰问题越来越严峻。因此要确保复杂电磁环境下设备正常运行和信号可靠传输,电磁干扰是一个迫切需要解决的问题,而干扰信号采集、检测及分析与识别则是其中的重要基础和前提。本文基于软件无线电外设USRP和便携式示波器实现了一款电磁干扰一体化检测硬件平台,并研究了基于深度学习的信号调制识别算法对25种辐射干扰信号的调制类型进行了识别。最后对硬件平台和软件算法进行集成,实现了一套电磁干扰检测与识别系统。本文的主要研究内容和创新点如下:（1）基于USRP和便携式示波器实现了一种小型一体化干扰检测单元。利用GNU Radio和USRP设计开发了辐射干扰信号的检测和采集装置,并通过多单元扩展协同扫描的方法,提高了频域监测带宽,实现了低成本大宽带的实时频谱监测。为智能化、高动态的新型电磁干扰检测设备及系统研制提供新的研究思路。（2）研究了基于深度学习的无线信号调制方式识别方法。设计了一种ResNet残差网络调制识别模型,并引入自注意力机制对模型的长期时序依赖信息学习能力进行了改善。结合插值、抽取和加噪声的数据增强方式,扩大数据集样本空间,增强模型鲁棒性和泛化能力。最后针对25种调制信号类型进行识别,实验结果表明,在SNR≥3dB时,实现信号平均识别率整体达到了 96%以上。（3）基于深度学习多任务学习方法搭建了一个同时用于信号调制识别和信噪比预测的多任务网络模型。通过利用同一个共享参数的主干神经网络来学习任务之间的共性特征,对这两个任务进行联合优化并相互促进学习。最终实现SNR≥5dB时平均识别率达到98%以上,信噪比预测平均绝对值误差整体低于0.56dB。实验结果表明,该多任务学习网络能很好完成调制分类及信噪比预测两项任务。