卫星宽带跳频系统具有抗衰落、抗干扰和低截获的性能优势,但不断增强的干扰和侦查设备正在削弱宽带高速跳频带来的抗干扰增益。为保障通信系统的传输可靠性和资源利用率,卫星宽带跳频系统需要具备对典型人为恶意干扰的检测和识别能力,以便及时调整系统的抗干扰策略。为此,本论文重点研究卫星宽带跳频系统中典型人为恶意干扰的干扰检测和分类识别技术,主要内容包含四部分:第二章设计了卫星宽带跳频系统的干扰检测识别方案。在分析了卫星宽带跳频系统的干扰威胁后,首先设计了基于正交子带分割的干扰检测识别方案,将宽频带的干扰认知转化为多个窄带的干扰认知,在保证频域分析精度的同时降低了方案的实现复杂度;接着提出了多子带干扰认知综合策略,通过综合多个子带的干扰认知结果获得全频带的干扰分布情况。第三章研究了卫星宽带跳频系统的干扰检测算法。根据跳频信号与干扰信号的时频特性差异,提出了一种基于多段谱聚类（Multi-segment Signals Spectrum Clustering,MSSC）的干扰检测算法。首先阐述了基于Welch谱前向连续均值消除的信号簇检测算法,并理论分析了检测门限因子;然后提出了基于MSSC的干扰簇鉴别算法和静默期信号段搜索算法;最后分析了算法的复杂度。仿真结果表明,当跳频信号信噪比大于-4d B时,传统算法的干扰误检概率大于60%,而MSSC算法则小于10-4,且MSSC算法显著降低了干扰参数的估计误差。第四章研究了卫星宽带跳频系统的干扰分类算法。首先提出一种基于人工特征提取深度神经网络（Manual Feature Extraction-based Deep Neural Network,MFE-DNN）的干扰分类算法,构建了一组优良的多域干扰特征库,并训练了基于DNN的干扰分类器;仿真结果表明,MFE-DNN算法能够在干噪比（Jamming-to-Noise Ratio,JNR）≥-4d B时准确分类12种干扰。然后研究了不同输入数据对象下基于卷积神经网络（Convolutional Neural Networks,CNN）自动特征提取的干扰分类器性能,并提出了基于CNN联合多域特征提取（Convolutional Neural Network-based Joint Multi-Domain Feature Extraction,CNN-JMDFE）的干扰分类算法;仿真结果表明,当JNR≥-6d B时CNN-JMDFE干扰分类器可准确分类13种干扰,明显优于采用单一数据对象的CNN干扰分类器;与MFE-DNN算法相比,CNN-JMDFE算法能够显著提升11类干扰在低JNR下的分类准确率,增益为2d B～12d B。第五章设计了基于MSSC和CNN-JMDFE算法的卫星宽带跳频干扰认知系统模型。仿真结果表明,该模型对单干扰和复合干扰均具有良好的分类效果,14类单干扰非静默期的分类性能与静默期一致,10类复合干扰在JNR≥0d B时可被准确分类;与无干扰检测的CNN-JMDFE算法相比,该模型提升了单干扰和复合干扰6d B和8d B的分类准确率;对于宽频带,该模型能准确估计干扰参数和干扰类型。