由于电磁环境越来越复杂且通信密度越来越大,通信中往往存在多个干扰信号,为了保证通信的安全性和通信质量,需要对通信中的干扰信号检测识别,然后采取相应的抗干扰措施。本文旨在研究基于特征提取的多干扰检测与识别方法。针对本文所研究的多干扰信号的检测与识别问题,首先介绍了干扰信号分析系统,以定位本文工作所处的位置,然后建立通信中的接收信号和单音干扰（Single-tone Interference,STI）、多音干扰（Multi-tone Interference,MTI）、线性扫频干扰（Linear Frequency Sweeping Interference,LFSI）、脉冲干扰（Pulse Interference,PI）和窄带干扰（Narrow Band Interference,NBI）以及多干扰信号的模型,同时对其进行仿真。基于干扰信号的仿真波形特点,提取了接收信号的时域矩偏度、时域包络起伏度、高阶累积量特征等时域特征,载波因子、频谱峰度、频域矩峰度、频域矩偏度、0.5倍带宽、频域包络起伏度等频域特征,以及分数阶傅里叶域最大值等时频域中的特征,并仿真每个特征随干信比变化的情况,为干扰信号的检测识别提供依据。对于STI、MTI、LFSI、PI与NBI,研究了基于决策树与支持向量机（Support Vector Machine,SVM）的干扰检测与识别算法,仿真并对比分析两种算法的性能,两种算法对五种干扰信号的检测识别正确率较高,并且基于SVM的检测与识别算法比决策树算法的识别性能高6 d B。最后,利用两种算法对多干扰进行检测识别,仿真对比了单干扰、两干扰叠加和三干扰叠加时的识别性能,仿真结果表明,干扰数量越多,两种算法的识别性能恶化越严重,因此,提出研究针对多干扰信号的检测与识别算法的必要性。对于STI、MTI、LFSI、PI和NBI其中四种同时存在时的多干扰信号,分别研究了基于决策树与SVM的多干扰检测与识别算法,并仿真对比分析两种算法的性能,基于SVM的多干扰检测与识别算法相比基于决策树的多干扰检测与识别算法有5 d B的性能提升。最后,仿真分析两种算法分别对单干扰和两干扰叠加、三干扰叠加的多干扰信号的检测识别性能,多干扰的检测识别算法对单干扰仍然适用,且干扰信号数量越少,两种算法对其识别正确率越高,表明本文研究的多干扰检测与识别算法为单干扰检测识别算法的一种推广,其更具有普遍意义。另外,对比分析了本文的算法与其他文献。