无人机技术的发展极大地影响了现代战争和日常生活,在面对危险复杂的环境时,无人机能够有效地代替人们完成工作。无人机自组网被广泛地应用于无人机中,但因为无人机空中裸露无遮挡特性而易于受到干扰和攻击。一旦无人机自组网受到恶意干扰和攻击,无人机的性能将受到极大的影响而不能有效地发挥作用。因此,一种可靠的抗干扰方法将会给无人机自组网性能带来极大的提升。本文主要针对无人机自组网面临的干扰场景,进行基于强化学习方法的MAC层抗干扰技术研究。首先本文对无人机自组网的发展历史、特点及应用进行介绍,并对无人机自组网干扰类型和抗干扰技术发展现状进行介绍;然后根据无人机自组网中的干扰场景,对不同抗干扰技术进行介绍,其中着重介绍了MAC层抗干扰技术;除此之外,还对强化学习抗干扰技术原理、联邦学习基本原理和无人机自组网的分簇算法进行介绍。其次,针对无人机自组网受到动态干扰攻击的场景,提出了一种联邦深度强化学习跳频抗干扰方法。该方法将DQN算法与联邦学习算法相结合,通过让无人机节点在本地跟干扰环境进行交互来训练本地抗干扰模型,把无人机节点的本地模型参数发送到MEC服务器进行聚合来获得全局模型以此更有效地进行抗干扰。相比于传统的先验信道抗干扰方法,该方法不需要先验信息并且联合多个节点对干扰环境进行学习,能够有效地训练出抗干扰策略并有着更高的信道判断准确率。数值仿真证明了该方法相对于传统的抗干扰方法性能上有着显著的提升。然后,将联邦深度强化学习跳频抗干扰方法扩展到多跳场景,提出了分层分布式深度强化学习跳频抗干扰方法。该方法将本地模型先在簇头节点进行边缘聚合,再把边缘聚合形成的模型发送到中心节点进行中心聚合,有效地减少网络的通信开销,并帮助抗干扰模型更好地进行训练。数值仿真证明了该方法在大规模多跳网络中对抗干扰方法的性能有着一定的提升。最后,针对所提出的分层分布式深度强化学习跳频抗干扰方法,考虑分簇结构对网络性能和抗干扰方法性能的影响,提出了一种基于干扰感知的分簇方法。本方法主要包含了基于信干噪比的谱聚类分簇生成和基于干扰的权重簇头选举两个阶段。前者通过节点之间的信干噪比差值进行建图处理,再通过谱聚类算法进行切图以此得到相应的分簇结构,有效地将受干扰节点和正常节点进行分簇。后者通过将自适应节点度、服务质量和节点剩余能量作为性能指标,选举出连接性和通信能力较好的节点作为簇头,有效地减少簇集的通信开销并帮助受干扰节点更好地进行边缘聚合。数值仿真结果证明了本方法在该干扰场景下能对网络进行有效地分簇,可靠地提升网络性能并帮助抗干扰模型更好地进行训练。