现代无线通信系统面临着日益复杂的电磁环境,受多种噪声和干扰信号的影响。在通信过程中,通信方如果能够有效识别出干扰信号类型,便可采取相应的抗干扰措施,最大限度地躲避或抑制干扰,降低干扰对通信质量的损害。近年来,随着深度学习的不断发展及其在图像和语音处理等领域的突出表现,验证了深度学习具有极强的非线性映射和数据表达能力,激发研究者将深度学习应用于通信抗干扰领域,提高系统的抗干扰能力。本文研究基于深度学习的无线通信干扰信号识别与处理技术,主要研究内容如下:论文第一章给出了论文的研究背景,总结了无线通信中干扰识别与抑制的研究现状,以及论文的研究内容。论文第二章主要介绍了智能抗干扰通信系统架构和典型压制式干扰信号的数学模型。论文第三章研究了基于深度学习的干扰识别网络,针对基于特征提取的干扰识别算法需要依赖人工提取特征、复杂度高、可能提取特征不完全或冗余等问题,提出了实数干扰识别网络;同时为了减少实数干扰识别网络训练过程中信号相位信息损失,提出了与实数干扰识别网络结构对应的复数干扰识别网络。本章首先描述了基于深度学习的干扰识别架构,接着介绍了实数和复数卷积神经网络(Convolutional Neural Networks,CNN)的原理及残差网络(Residual Networks,ResNet)的基本结构,在此基础上构建了实数CNN、复数CNN、实数ResNet和复数ResNet四种干扰识别网络。接下来,针对不同输入数据格式和干扰识别网络结构,仿真分析了干扰信号识别性能,并与基于特征提取的干扰识别算法进行了对比。然后,从网络结构、参数复杂度和收敛速度三个方面,对基于深度学习的干扰识别网络进行了分析比较。最后,对不同干扰识别网络的迁移性能进行了仿真分析。结果表明:基于深度学习的干扰识别算法性能优于基于特征提取的干扰识别算法;ResNet干扰识别网络的整体性能优于CNN干扰识别网络,具有更快的收敛速度,但其层数更深,参数复杂度更高;复数干扰识别网络的整体性能优于实数干扰识别网络,需要更少的参数量,具有更快的收敛速度和更强的泛化能力;当测试集与训练集数据分布不同时,干扰识别网络具有一定的迁移能力。论文第四章研究了基于深度学习的干扰抑制网络。针对传统干扰抑制中存在干扰重构算法对参数估计精度要求较高、干扰检测算法对判决门限值较敏感、以及一些干扰消除措施对有用信号影响较大等问题,提出了基于复数U-Net的干扰抑制网络。本章首先给出了基于深度学习的时域和频域干扰抑制算法处理流程,然后从信号时频域特征出发,构建了基于复数U-Net的时域和频域干扰抑制网络,最后结合干扰抑制后信号波形特征,对单一干扰和混合干扰场景下,进行干扰抑制后系统误码率(Bit Error Rate,BER)仿真分析,并与传统的典型干扰抑制算法进行了对比。结果表明:基于复数U-Net的干扰抑制算法能够利用网络对数据特征的表达能力,自适应地抑制干扰,恢复目标信号,且同一网络结构能够处理多种干扰类型,适用于多干扰并存的场景。最后,论文第五章对全文进行了总结,并对后续工作进行了简要说明。