出行需求和政策支持促进了城市轨道交通的大规模应用,车-地通信系统开始由基于WLAN的CBTC系统转向基于LTE-M的CBTC系统。为了保证行车安全,需要及时准确地检测识别出基于LTE-M的CBTC系统中存在的干扰,传统的干扰信号检测对检测人员的专业性要求较高,使用机器学习的手段同样面临着大量且复杂的特征提取问题且提取的特征不同也可能会影响最终的检测结果。因此,本课题将深度学习理论应用于城市轨道交通系统中LTE-M干扰信号检测,无需人为提取信号特征,便可完成对基于LTE-M的CBTC系统中干扰信号的检测识别。首先,本论文设计了一个基于卷积神经网络的LTE-M干扰信号检测模型,推导了干扰检测模型训练流程。其次,本论文利用铁路无线通信干扰检测系统实时采集“蓉2”现代有轨电车信号数据,即频段在1790-1795MHz的LTE-M信号,并通过GNURadio和USRP产生单音干扰、多音干扰、方波脉冲干扰、噪声调幅干扰和线性扫频干扰等典型干扰信号,完成信号的采集。然后,将采集到的LTE-M干扰信号通过时频变换得到含有时间-频率信息的时频图。基于多次叠加离散傅里叶变换生成瀑布图的时频变换方法,对采集到的LTE-M干扰信号进行时频变换,根据各自瀑布图的差异性,完成初始数据集的标注,接着通过图像几何变换和加噪声等数据增强手段完成LTE-M初始数据集的扩展,得到最终的LTE-M数据集,最后将LTE-M干扰数据集作为LTE-M干扰检测模型的训练测试数据集,通过分析训练结果优化模型深度,在保证训练精度的前提下,以网络模型的参数和训练时间相对较少为原则,利用LTE-M干扰检测模型快速准确地完成LTE-M干扰信号的检测识别。最后,本论文通过设置对比实验得出以下结论:1).使用数据增强的数据集的LTE-M干扰检测模型比未使用数据增强的数据集的LTE-M干扰检测模型训练精度高出38.1%。2).使用Re LU激活函数和使用Adam梯度下降优化算法相比于其他激活函数和梯度下降优化算法有更高的识别精度。3).通过自身与其他CNN网络对比实验,得到的本论文设计的LTE-M干扰检测模型,无论是从训练精度还是预测精度来说,均高于其余卷积神经网络,证明了本课题提出的基于CNN的LTE-M干扰信号检测模型对LTE-M干扰信号有更强的检测识别能力。