复杂电磁环境已成为制约无人机Unmanned Aerial Vehic(le,)UAV测控系统可靠和有效通信的重要因素,干扰认知Jamming Cognitio(n,)JC是通过感知周围的电磁环境,运用干扰检测、干扰识别、干扰参数估计等技术手段实现对电磁环境的感知和识别,为通信系统的认知决策和抗干扰传输提供依据,以使系统能够不断调整传输参数和决策参数以达到最佳的传输效果,因此,干扰认知已成为无人机正常工作和高效传输的重要保障。本文主要针对无人机测控链路中常见的干扰类型,从干扰认知策略的制定、干扰检测、干扰多维特征参数的提取、干扰分类算法几个方面研究无人机测控链路干扰感知与识别技术,并进行性能仿真分析,主要内容如下:第一部分主要介绍了本文的研究背景和意义,并对无人机测控链路的基本情况和目前的干扰感知技术与识别技术进行阐述。第二部分主要研究了无人机测控链路干扰认知策略和干扰认知过程。具体包括将无人机测控链路常见干扰分为时域、频域、非平稳三种类型;给出了干扰认知策略制定时需要考虑的四个因素;制定了无人机测控链路干扰认知策略并给出了干扰认知过程。第三部分主要研究了时域干扰检测算法和频域干扰检测算法。针对时域干扰,主要研究了时域分组检测算法,推导了分组检测门限因子,分析了算法实现流程,在此基础上,进一步研究了脉冲噪声干扰的周期和占空比估计算法;针对非静默期下的频域干扰检测,主要研究了基于Welch谱的改进FCME检测算法;仿真结果表明,时域分组干扰检测算法和脉冲干扰参数估计算法都有较好的性能,基于Welch谱的改进FCME算法性能优于传统FCME算法,具有较好的检测性能,而且误检概率也比较低,很适用于非静默期干扰检测。第四部分主要从时域、频域、分形域几个维度研究了多维干扰特征参数的提取算法。具体特征参数包括:时域峰均比Time Domain Peak To Average R(atio,TDPAR)、时域矩峰度(Time Domain Kurtosis,TDK)、干扰带宽因子(Jamming Bandwidth Factor,JBF)、频域峰均比(Frequency Domain Peak To Average Ratio,FDPAR)、归一化谱冲击部分标准差Normalized Spectrum Standard N(,)SSD、盒维数Box Dimension(,)BD、LZ复杂度、时频图干扰位置标准差Time Fr(equency Position Standard Deviation,)TFPSD。理论分析了脉冲噪声干扰的时域特征参数值;为了适用于非平稳干扰,本文提出了使用短时傅里叶变换提取时频二值图对LZ复杂进行改进,并对时频图提取干扰频点位置标准差特征参数。最后,对所有干扰特征参数进行仿真分析。仿真结果表明,时域特征参数对脉冲干扰具有较好的区分能力;干扰带宽因子和频域峰均比对瞄准式干扰有较好的区分能力;归一化谱冲击部分标准差对多音干扰有好的区分能力;分形维数在JSNR?10dB有较好鲁棒性并对部分干扰类型有较好区分能力。第五部分主要研究了决策树(Decision Tree,DT)干扰分类算法和支持向量机(Support Vector Machine,SVM)干扰分类算法。基于多维特征参数构建了静默期决策树和非静默期决策树;制定了一套支持向量机识别多种干扰类型的结构,仿真分析了不同分类算法下的干扰识别性能。仿真结果表明,决策树判决中瞄准式干扰非静默期识别性能优于静默期识别性能;非静默期情况下,支持向量机的识别性能优于决策树识别性能;当JSNR>10dB时,静默期和非静默期情况下使用决策树或者支持向量机的识别性能几乎达98%,都具有较好的性能。