全球导航卫星系统（如GPS）通过电磁频谱传输定位、导航与授时数据。这些传输易受到恶意行为者实施的干扰或欺骗攻击。由于太空的遥远特性，直接的人工监管并非总是可行；因此，需要自动化的检测与分类方法。对干扰进行自动化的检测和分类可以使终端用户更好地了解其所接收数据的完整性，并允许他们在需要时采取适当的应对措施。本研究探讨了利用人工智能，特别是深度学习架构，为资源受限的飞行硬件提供电子干扰的自动化检测与分类。这些模型面临的主要挑战在于它们通常需要大量的计算资源。而这些资源在小型卫星的飞行计算机上并不具备，因此需要一种高效的模型架构。最终，研究发现稠密自编码器架构在性能和存储需求之间取得了最佳平衡。本文证明了轻量级模型能够自动检测和分类电子干扰，并提供了将这些模型集成到飞行硬件中的方法。本研究开发的方法旨在帮助希望为其终端用户提供可靠数据的卫星开发者。

电子干扰，特别是干扰，会对卫星任务产生不利影响。恶意干扰会降低终端用户从卫星服务中获益的能力。为了对抗干扰，本研究探索了使用机器学习（ML）模型来检测和分类干扰源。此外，本研究调查了在资源有限的飞行硬件上实现这些模型的方法。最终目标是开发出能够运行在小型卫星上的软件，该软件既能检测也能分类旨在干扰卫星的干扰源。

第二章讨论了理解本论文所需的理论。涉及的主题包括人工智能（AI）和机器学习（ML）。此外，列举了有助于实现ML模型的编程工具。研究了先前的ML架构。回顾了射频信号背后的基础理论。描述了表示和处理射频信号的离散方法。