在通信干扰中,利用被干扰目标网络的介质访问控制(Medium Access Control,MAC)协议实施干扰,能够提高干扰效能。然而,在实际应用中,实现MAC协议干扰具有较大的难度,主要体现在以下两点:一是MAC协议类型的识别。在不同类型的MAC协议中,如分配类MAC协议和竞争类MAC协议中,节点的通信行为规律差异较大,应当相应采用不同的干扰方式,因此,需要研究非协作条件下的MAC协议类型识别方法。二是直接求解最优的干扰参数较为困难。一方面,最优干扰参数值与目标网络的MAC协议参数有关,但在非协作条件下,尤其是通信系统采用加密技术时,干扰方难以获取相关参数信息;另一方面,由于MAC协议流程的复杂性,难以从理论上分析不同干扰参数下的干扰效果,以及建立干扰效果的理论模型。传统干扰方式由于技术限制,难以解决上述问题。认知无线电技术赋予无线通信设备强大的感知与学习能力。将认知无线电思想应用于无线通信干扰,实现认知干扰技术,有望提升干扰系统的作战效能。认知干扰系统是一个由“观察、决策、评估”组成的动态闭环系统,采用机器学习方法提升系统的感知能力与学习能力。本文将机器学习中的强化学习理论分别应用于观察和决策环节,解决MAC协议干扰中的协议类型识别和干扰参数优化问题。本文工作的主要贡献和创新总结如下:1)针对干扰方无法直接获知目标MAC协议类型的问题,提出了基于功率检测和选择性集成分类算法的MAC协议类型识别方法,解决了非协作条件下分配类MAC协议和竞争类MAC协议的识别问题。在现有特征的基础上结合碰撞概率估计和发送时间周期性估计特征,提高识别效果。采用基于强化学习的选择性集成分类算法,提高分类系统的泛化能力。对OPNET软件得到的仿真数据进行分类实验,结果表明,采用相同分类算法时,结合所提特征得到的识别效果更优;采用相同特征时,当识别目标网络与训练样本的网络参数,如通信负载不同时,所提算法能够有效提升识别效果。2)针对分配类MAC协议干扰中,不同信道上的干扰功率的分配优化问题,提出基于强化学习的分配类MAC协议认知干扰功率分配算法,实现了未知干扰目标接收机位置的条件下,干扰功率分配方式的在线优化方法。利用强化学习中的多臂赌博机模型分析干扰功率分配问题,将干扰功率分配方式作为模型中个体的动作,通过统计目标网络通信负载变化评估干扰效果,并将其评估作为个体的收益,并采用置信区间上界算法在线优化个体的动作。仿真结果表明,该方法在未知目标接收机位置的情况下,通过在线学习,能够收敛到最优的干扰功率分配方式。3)针对竞争类MAC协议干扰中,由于帧传输流程的复杂性,对干扰不同帧类型和不同干扰概率的干扰效果进行理论分析较为困难的问题,提出基于强化学习的竞争类MAC协议认知干扰算法,分别实现了干扰帧类型参数和干扰概率参数的在线优化。由于加密条件下干扰方无法直接获知帧类型,本文通过提取帧传输时间间隔特征,利用聚类算法区分帧类型,并根据帧类型的传输规律评估干扰效果。利用多臂赌博机模型,将干扰效果评估作为模型收益,分别将干扰帧类型参数和干扰概率参数作为模型动作,并采用置信区间上界算法实现根据收益在线优化动作。在OPNET中的仿真实验表明,在干扰单个网络时,当算法的加权参数取适当的值时,该方法的干扰效果接近传统干扰方式,同时能够有效减少干扰能量消耗;在干扰多个网络时,经过一段时间的学习后,该方法的干扰效果优于传统干扰方式。