在航天测控系统中,测控设备与航天器之间的信道环境不稳定,测控设备接收到的干扰信号(其他设备发送的信号对测控设备而言为干扰信号)存在受噪声影响大,干噪比区间较大,在较大区间内存在干噪比较低的问题。在测控设备中,需要在大动态范围干噪比,干噪比范围中存在低干噪比条件下对接收到的信号进行判断是否存在其他用户信号,对接收到的干扰信号进行干噪比估计,对接收到的信号进行调制方式的识别,才能完成测控设备对接收信号的解调,发射信号的调制方式选择与使用的频带选择。所以本文的研究内容分为三部分展开研究,分别是频谱感知技术研究,干扰信号强度估计技术研究和调制模式识别技术研究。近年来,研究者们在神经网络研究方面取得了重大突破,在图像和语音等方面得到了广泛的应用,神经网络具有很好自动提取深层鲁棒性特征的能力,所以本文使用神经网络研究这三个内容。第一,基于神经网络的频谱智能感知技术研究。研究过程中使用了一般的频谱感知算法自适应能量算法(ADAPT-ED)和基于特征值检测(MME)进行频谱感知,为了保证频谱感知的方法能够在较大信噪比范围和较低信噪比下有较好的性能,首先提出了单通道的神经网络频谱感知技术,单通道的频谱感知技术仅考虑了时域信息特征,并没有考虑频域信息特征,然后进一步提出了双通道神经网络频谱感知技术。仿真实验结果表明,单通道频谱感知技术比传统方法的频谱感知技术能够在-12d B及其以上干噪比条件下达到90%的检测概率,双通道神经网络频谱感知技术比单通道神经网络频谱感知技术在低干噪比条件下性能更好,在-15d B及其以上的干噪比条件下达到90%的检测概率。第二,干扰信号强度估计技术研究。传统的干噪比估计算法有基于自相关矩阵特征值的干噪比估计算法,和M2M4干噪比估计算法。通过对两种传统算法的研究发现传统算法在较大干噪比区间内的干噪比估计性能较差,而且对于不同调制方式干扰信号的干噪比估计性能差距较大。所以首先提出了一般神经网络的干扰信号强度估计方法,由于卷积神经网络和循环神经网络在处理数据的特性上各有优缺点,所以进一步提出了基于特征融合的干扰信号强度估计技术。仿真实验结果表明,基于神经网络的干扰信号强度估计技术相对与传统算法在估计性能上有极大的提升,基于特征融合的干扰信号强度估计方法比一般神经网络的估计方法的性能有所提升。第三,干扰信号调制模式识别技术研究。由于不同干扰的调制方式不尽相同,干噪比范围较大,干噪比较低,多种调制方式信号在大动态干噪比范围的调制模式识别较为困难,神经网络具有很好的自动提取鲁棒特征和较好的泛化能力,所以提出基于神经网络的干扰信号调制模式识别技术,噪声的干扰对于干扰信号的特征提取存在一定的影响,所以进一步提出基于降噪神经网络的调制模式识别技术。仿真实验结果表明,基于神经网络的调制模式识别技术对于大多数调制信号在0db以上的干噪比环境下能够达到80%的识别准确率,经过GRU降噪网络的降噪处理,能够实现在0d B以上对于大部分信号90%的识别率,在更低的干噪比下的识别性能对于不同调制方式信号性能均有提高。