随着战场电磁环境日趋复杂的形势和人工智能技术的兴起,现代电子对抗技术的研究走向了认知对抗的新纪元。传统通信干扰决策与效能评估方法由于依赖专家经验和先验知识,存在着干扰对抗交互时间长和干扰效率不高等问题,在一定程度上难以适用于对实时性要求较高的对抗环境。本文立足于实时通信对抗环境,针对传统干扰决策方法所存在的问题,结合强化学习理论在不同条件和环境下对干扰决策和效能评估方法展开研究,主要研究工作如下:首先,针对多维连续干扰参数离散化后搜索空间大,寻优时间长等问题,本文将通信干扰过程建模为多臂匪徒模型。结合干扰参数逐级离散方法和干扰摇臂剪枝机制,提出了逐级离散干扰决策方法。该方法使连续干扰参数区间朝着高收益方向逐级进行离散,并对其中的低收益干扰参数组合进行合理消除。数值仿真结果表明所提方法能够具有较好的干扰参数离散寻优性能,并在交互次数受限的条件下具有较快的干扰收益收敛速度。其次,针对时变环境下干扰决策方法难以检测环境变化导致干扰收益不高的问题,本文将该环境下的对抗过程建模为时变环境下的多臂匪徒模型,结合加权策略与学习时间漂移方法,提出了基于最大期望加权估计的干扰决策方法。该方法利用概率模型对干扰收益进行加权估计,并对干扰收益的变化进行检测以动态调整干扰策略的选取概率。数值仿真实验表明在时变环境下所提方法对最优摇臂具有较高的选取概率,在减少交互次数的同时提高了干扰收益。最后,针对传统效能评估方法难以对盲信息环境进行合理效能评估的问题,本文将干扰效能评估过程建模为贝叶斯网络评估模型,然后对影响网络推理性能的因素进行仿真分析。接着将评估模型与干扰决策方法相结合,提出了基于贝叶斯网络效能评估的干扰决策方法。数值仿真结果表明所提方法能够根据通信方的多项信号特征对盲信息环境下的干扰收益进行合理评估。