针对强NBI使扩频系统失效的问题,本文围绕同步码分多址(CDMA, Code-Division Multiple-Access)系统的不同类型NBI最佳抑制需求展开讨论,重点研究NBI类型的识别技术并根据识别的NBI类型设计最优的NBI抑制技术。对于现存无线CDMA系统对各类干扰信号类型识别不完全的问题,提出变换选择模式识别(TSMD, Transform Selective Mode Distinguish)方案。该方案利用不同干扰在不同域的压缩增益(CG, Compression Gain)特性首先识别出脉冲干扰、线性调频干扰和NBI,然后利用不同NBI的谱均值—方差模式识别特性精确识别NBI类型为音频干扰、数字NBI或自回归(AR,Autoregressive)随机过程中的何种类型。在信号统计特性先验已知的情况下,针对现存直接法码辅助技术计算复杂度高的问题,提出适用于音频干扰和数字NBI的子空间法码辅助技术,由于该技术改进了矩阵分布,可以有效降低系统计算复杂度；为了解决子空间法码辅助技术抑制AR随机过程时低秩判定困难的问题,提出改进的子空间法线性预测—码辅助技术,由于该技术白化了子空间特征分布,可以准确判定低秩并具有较低计算复杂度。在训练序列先验已知的情况下,针对现存直接法最小均方(LMS, Least Mean Square)码辅助算法由于高NBI功率引起收敛速度慢、直接法递归最小二乘(RLS, Recursive Least Square)码辅助算法计算复杂度高的问题,提出改进的自适应RLS预测—LMS码辅助算法。改进算法利用线性预测模块使NBI功率衰减的特性,解决了LMS码辅助算法收敛速度慢的问题,性能与RLS码辅助算法相近,而计算复杂度远低于RLS码辅助算法。在信号统计特性和训练序列先验未知的情况下,针对现存直接法盲码辅助技术检测率不佳的问题,提出了子空间法盲码辅助技术。该技术由于提高了系统输出信干噪比(SINR, Signal to Interference and Noise Rate),性能明显优于直接法盲码辅助技术。针对盲码辅助技术批处理计算复杂度高的问题,本文分析了盲码辅助技术的线性自适应实现。针对直接法盲自适应LMS码辅助算法由于高失调引起的稳态性能下降、直接法盲自适应RLS码辅助算法收敛速度和高稳态性能不能同时保证的问题,提出改进的盲自适应RLS预测—LMS码辅助算法,因为线性预测模块使NBI功率衰减,改进算法能够以较快的收敛速度达到较高的稳态性能。此外,对于音频干扰和数字NBI,本文还提出了带收缩的投影近似子空间跟踪(PASTd, Projection Approximation Subspace Tracking with deflation)码辅助算法,该算法性能优于直接法盲自适应RLS算法并具有低计算复杂度；对于AR随机过程,为了解决上述盲自适应PASTd码辅助算法低秩判定困难的问题,提出了改进的盲自适应RLS预测—PASTd码辅助算法,由于该算法白化了子空间特征分布,能够准确判定低秩,性能优于直接法盲自适应RLS算法,且计算复杂度较低。最后,本文对某些尚未解决的问题和今后的研究方向提出了进一步的研究计划。