随着无线电事业的快速发展,无线电干扰现已成为通信传输过程中十分严峻的问题,而传统检测无线电干扰的算法,对于先验知识和检测人员专业性的依赖十分强。针对无线电干扰中较为突出的同频干扰问题,本文将深度学习应用于干扰信号检测,提出了新的方法检测无线电调频广播中的同频干扰。本文首先制作出用于训练深度学习算法的数据集。通过信号发生器发射干扰信号,再利用接收机接收广播信号和干扰信号的同相正交分量,然后在MATLAB中还原信号并利用时频分析算法绘制出能体现信号特性的时频分布图作为数据集。近年来,深度学习算法中的卷积神经网络在图像识别领域大放异彩,根据数据集特征,本文设计了一个七层卷积神经网络作为干扰检测模型,将数据集输入卷积神经网络并训练其学习信号的时频特征,通过分析训练结果不断优化模型,最后利用卷积神经网络提取到的信号特征对时频图进行分类,从而检测出广播信号中是否存在同频干扰。实验结果表明,在本文验证数据集上,模型能达到较高的识别精度,能准确检测出广播信号中的同频干扰,证明了本文算法的有效性,且与其他网络模型相比本文算法能在保证准确率的情况下提高训练速度,缩短训练时间。同时,本文将深度学习和传统机器学习相结合,提出了另一种检测同频干扰的算法。本文利用卷积神经网络模型提取信号的时频图特征,并将其作为数据集训练传统机器学习算法。通过对比实验发现支持向量机相比其他传统机器学习算法能取得更好的分类效果。本文还提取出了信号时频图的方向梯度直方图与灰度共生矩阵特征并将其组合作为特征数据集,同时将信号的短时傅里叶变换作为另一特征集,通过对比三种特征集训练后的支持向量机的混淆矩阵来分析卷积神经网络在本文干扰检测任务上的优劣性。实验结果表明,用卷积神经网络提取的特征训练出来的支持向量机,其准确率要高于用另外两个数据集训练的支持向量机。相对于单独使用传统机器学习算法,本文将卷积神经网络与支持向量机相结合能更便捷更准确地完成本文的分类任务。