近日，通信与信息工程学院王斌教授团队在IEEE通信协会汇刊《IEEE Transactions on communications》（JCR一区TOP期刊，影响因子8.3），发表了题为《Compound Interference Recognition Method for UAV Communication Based on Multi-Modal Multi-Label Learning under Low INR》的研究成果。论文第一作者为通信与信息工程学院王斌教授，第二作者为通信与信息工程学院2022级硕士研究生李爱平。该研究工作得到了国家自然科学基金项目（U19B2015、62471385）和国家重点研发计划（2022YFB4401904）等项目的联合资助。

无人机通信是支撑低空经济发展的底座，但其空地、空空无线信道的开放性使其极易受到多种干扰信号的叠加攻击。这些干扰信号常呈现出“低干噪比”与“多型并发”的复合特征，如何在资源受限的机载平台上，从复杂动态背景中微弱信号上精准“解构”干扰成分，是保障无人机通信安全的核心前置环节。现有干扰识别方法虽然取得了较好的识别性能，但面临识别类型单一、计算复杂度过高、在极端低干噪比下性能断崖式下降等瓶颈，难以满足用于低空经济的无人机通信安全需求。

针对上述挑战，研究团队探究了通信信号干扰成分表征方法，突破了传统单模态感知的局限，联合利用频域序列（FS）与时频图像（TFI）的互补表征信息，通过多标签学习机制同时刻画复合干扰中的多种成分，增强了智能模型对极弱干扰特征的捕获能力。

研究表明，在低干噪比条件下，模型在涵盖31种复合干扰的仿真与实测数据集上展现出优异的识别精度，且具备较低的计算复杂度。该研究不仅为复杂低空场景下无人机通信安全提供了一套高效、可部署的技术方案，也为推动智能抗干扰技术从理论模型向规模化实用发展奠定了基础。团队将进一步探索小样本条件下的智能干扰识别策略，提升无人机系统在复杂动态极端场景中的生存能力。

论文链接：https://doi.org/10.1109/TCOMM.2026.3655756

模态多标签学习的无人机通信复合干扰识别模型框架