信息感知的目的是获取用户感兴趣的信息,为用户各方面的应用提供重要信息来源。信息感知最基本的功能是收集大量的数据,为了从大量数据集中分析和提取出隐含的重要信息,深度学习算法是常用的有效工具。而图像作为信息的重要载体,比起普通数据更能直观的表现出数据的信息特征,随着图像技术的发展,图像经常被用于目标的识别和信息的抽取。本文在收集的大量地磁传感器数据的基础上,利用图像转换和深度学习的手段实现了车型信息的自动化感知;在产生的大量通信信号数据的基础上,使用图像处理的方法完成了对跳频信号的感知,主要分为跳频信号的检测和跳频信号参数估计两部分内容。本文完成的研究主要有:（1）地磁车型感知:本文研究的地磁车型感知即利用地磁数据对车型进行分类。基于单个低成本磁传感器采集的磁场数据,设计了一种卷积神经网络（CNN）模型以实现车型分类。具体为,首先设计了基于动态阈值的车流量检测算法,并在该算法的基础上设计了一种车辆检测状态机,进而从收集的大量磁场数据中提取每个车辆的磁场数据。然后将收集的数据转换为二维灰度图像,这样,不同类型车辆的磁场信号图像可以用作CNN的输入数据。最后通过设计适用于车型分类的CNN模型,用作车型信息感知的分类器。使用设计的CNN模型,本文将车辆分为7种类型。通过实验评估了提出的车辆分类方案的性能,实验结果表明车辆分类的准确性高达97.83%。（2）跳频信号感知:本文研究的跳频信号感知即在复杂环境下对跳频信号进行检测和参数估计。跳频信号经过短时傅立叶变换（STFT）后,其时频图可以作为一种具有特殊内容的数字图像。首先,通过将时频图转换为简单的二值图像,减少了图像的处理难度,也增强了跳频信号的特性。然后,根据噪声和信号的能量特征,使用基于时频矩阵点值统计的方式去除了背景噪声。接着使用合适的结构元素应用形态学的闭合和打开级联操作消除了定频干扰;之后基于连通区域标记法消除扫频干扰,并针对扫频干扰出现残余的问题,继续使用形态学操作消除残留的扫频信号。在检测出跳频信号之后,重新对信号进行连通区域标记,并根据标记信号的外接矩形参数,估算跳频信号的起跳时刻,跳频速率和跳频频率集。仿真结果和分析表明该方法具有良好的性能。