近年来,随着信息技术,尤其是人工智能的蓬勃发展,战场电子信息设备的智能化水平不断提高,能够自适应地感知环境的变化并快速做出应对,抗干扰能力显著提升。为能够有效地干扰智能化的对抗目标,干扰方也在积极尝试提高自身的智能化水平,使干扰设备也具备初步的认知能力,能够在自主感知战场环境变化的基础上,自适应制定相应的干扰策略,生成干扰信号实施干扰,并由此提出了认知干扰这一概念。其中,机器学习算法在通信干扰领域中的应用受到了广泛的关注。而生成对抗网络（Generative Adversarial Networks,GAN）是近年来兴起的无监督生成式模型,运用独特的对抗训练机制同时训练两个神经网络,让两个网络在互相对抗的过程中自主学习到训练集中真实样本的潜在分布并生成与之具有相同分布的新样本,具备较好的学习能力和生成能力,在众多领域得到了出色的应用。本文将GAN运用到通信对抗领域,在面对未知目标信号时,运用GAN自主学习目标信号的分布,生成干扰波形对目标通信系统实施干扰,主要研究内容如下:（1）在无法获取目标系统受到干扰之后的反馈时,针对未知目标信号的干扰问题,提出一种基于生成对抗网络的通信干扰波形生成技术。在分析GAN基本原理的基础上,该技术针对通信信号的特点设计网络结构,并运用目标信号时域波形对GAN进行训练,使GAN能够自主学习目标信号的潜在分布,并生成逼近目标信号分布的干扰波形,对目标通信系统进行干扰。基于不同类型和参数的通信信号,进行干扰波形生成实验,结果表明该技术对不同类型和参数的通信信号都有较好的生成效果。然后,运用生成干扰波形对目标通信系统施加干扰,并与最佳干扰和噪声干扰的干扰效果进行对比,实验结果表明,随着干信比的增加,生成波形的干扰效果能够逐渐逼近最佳干扰的干扰效果,对目标通信系统起到较好的干扰作用。（2）为进一步加快网络收敛速度并提升生成干扰波形质量,提出一种基于一维卷积生成对抗网络的通信干扰波形生成技术。该技术运用一维卷积神经网络对信号时域波形的特征进行提取,并运用生成波形与真实波形间的Wasserstein距离作为损失函数对网络进行训练,使网络训练过程更加稳定、收敛速度更快、生成干扰波形质量更高。然后,运用Inception v3网络提取信号波形的特征向量,根据该特征向量计算FID分数来定量衡量生成波形和目标信号波形之间的相似度,运用自编码网络实现生成波形的可视化,直观地描述随着训练次数增加生成波形分布的变化。对不同类型和参数的通信信号进行干扰波形生成实验和干扰效果对比实验,结果表明,该技术能够减少网络收敛所需训练次数,提升生成干扰波形质量并取得更好的干扰效果。（3）当通信方为躲避干扰而在多个信道间切换时,为使干扰方能够掌握目标通信系统信道切换的策略,预测出下一时刻通信信道,在一定程度上前瞻性地对目标通信系统实施干扰,提出一种基于条件生成对抗网络（Conditional GAN,CGAN）的信道切换策略学习技术。该技术根据通信信道的特点设计网络结构,运用通信方信道选择历史作为数据集对CGAN进行训练,使生成网络能够根据输入的当前时刻通信信道,预测出即将切换到的通信信道。在不同信道切换策略下进行实验,结果表明,通过对通信方的信道选择历史进行学习,该技术能够较快地学习到通信方的信道切换策略,准确地预测出通信方下一时刻通信信道。（4）运用Inception v3网络提取通信信号的特征向量,并根据该特征向量计算FID分数来衡量波形之间的相似度时,存在特征向量提取速度较慢的问题,针对该问题,提出一种基于辅助分类生成对抗网络（Auxiliary Classifier GAN,ACGAN）的通信波形相似度衡量技术。该技术根据通信信号的特点设计网络结构,运用目标信号波形作为训练集对ACGAN进行训练,当网络达到收敛状态、判别网络能够较为准确地判断输入样本的种类时,停止训练,固定网络参数。然后,运用训练好的ACGAN判别网络代替Inception v3网络提取信号波形的特征向量,并基于该特征向量计算FID分数来衡量生成波形和目标信号波形之间的相似度。对不同类型和参数的通信波形进行相似度衡量实验,结果表明,与Inception v3网络相比,ACGAN判别网络能够更快地提取信号波形的特征向量,基于该特征向量计算出的FID分数,能够较为准确地衡量生成波形与目标信号波形之间的相似度。