基本部分：1）生成单音干扰、多音干扰、宽带噪声干扰、部分频带噪声干扰、宽带梳状谱干扰、线性调频干扰等6 种通信干扰信号；2）选择合适的特征参数，采用决策树法实现对上述干扰信号的识别，高斯白噪声信道，干噪比(JNR)为0~15dB，识别正确率大于95%。扩展部分：选择合适的特征参数，采用NN 或者SVM 机器学习实现对上述干扰信号的识别，高斯白噪声信道，干噪比(JNR)为0~15dB，识别正确率大于95%。 实验主要完成了三部分工作。 1. 通信干扰信号的生成。对6种干扰信号进行了仿真。 2. 特征参数的提取和讨论。对时域和频域的参数进行了提取，分析了不同JNR下的参数变化趋势，以及不同干扰信号之间的差异。 3. 基于特征参数的分类。选择合适的特征参数，分别使用决策树法、支持向量机法以及神经网络法对干扰信号进行了分类。