随着信息时代的到来,人们对无线通信的依赖性越来越强。在军事无线通信领域,敌方往往通过释放干扰信号干扰我方的正常通信。如果能够有效地识别敌方释放的干扰信号类型,并进一步估计出干扰信号的参数,就能有针对进行干扰抑制,实现有效的抗干扰通信。因此,干扰信号的有效识别是通信抗干扰的关键技术。本文重点研究无线通信中典型恶意干扰信号识别及其参数估计。论文第二章主要描述了典型干扰信号的数学模型,介绍了干扰信号识别的信号功率归一化等预处理操作,给出了干扰信号典型特征及其提取算法。论文第三章研究基于特征提取的干扰识别信号识别算法。论文研究了基于支持向量机(support vector machine,SVM)决策树和反向传播(back propagation,BP)神经网络的干扰信号分类方法,分别给出了两种算法的算法原理、数学模型。论文并分别从不同的训练样本数目、不同的特征预处理、不同的训练样本干噪比(jamming-to-noise ratio,JNR)的分布等方面仿真比较这两类算法干扰识别性能。由于人工提取特征有可能会损失有用的特征信息,论文第四章研究了基于深度学习的干扰信号识别算法,利用卷积神经网络(convolutional neural networks,CNN)提取特征并识别干扰信号。论文设计了一个可用于干扰识别的CNN结构,并仿真比较了不同的卷积输入、不同的训练样本的JNR分布对识别性能的影响。进一步,论文将设计的基于CNN与基于特征提取的干扰识别算法进行了仿真比较,结果显示:基于CNN的识别算法的性能明显优于基于特征提取的识别算法。在干扰识别的基础上,论文第五章进一步研究干扰信号的参数估计算法。论文提出了一种双门限迭代多音信号数目的估计方法,并基于离散频域的方法给出了其频率以及JNR的估计算法。针对线性调频干扰的参数估计,本文通过对干扰信号进行二次解调并联合离散频域的方法估计出其调频率、幅度,进而估计出线性扫频信号的JNR。对于部分带干扰、噪声调频干扰信号的参数估计,本文首先求得信号的功率谱,然后应用平滑窗得到光滑的功率谱,再利用本文提出的基于相对门限的占用带宽估计方法估计出其占用带宽。仿真结果显示,论文提出的干扰信号参数估计算法可以获得较好的性能。论文第六章对全文进行了总结,并给出了未来工作可能的方向。