太阳射电辐射携带大量信息,在频谱上有着丰富的表现形态,其中,射电爆发的精细结构与物理起源有关,能够用以诊断激波过程和粒子加速等机制。观测与研究太阳射电爆发过程具有重要的科学价值,也具有独特的空间物理--空间天气学研究方面的应用价值。项目组研制了高分辨率的射电频谱仪,可对太阳射电爆发过程进行快速且高效的分析。但在米波段,空间中存在大量的射频干扰信号,主要是各种电台信号干扰,严重干扰了太阳射电信号的接收和分析处理。如何抑制干扰得到清晰的太阳射电动态频谱图,便是本文试图解决的问题。现有的太阳射电频谱图的滤除干扰方法,主要是在接收机AD转换前,通过硬件电路滤波的方法进行处理,不加区别的将信号和干扰同时滤除;后续的软件处理,在出现较强干扰时,也很难区分两种信号。本文根据干扰信号特点,提出数字层面上的软件抑制干扰方法。依照干扰信号强度与爆发信号强度的大小关系,将干扰信号分为强干扰,目标干扰电台以及弱干扰。分析各类信号特点并进行筛选与处理。其中,目标干扰电台是本文的主要处理目标,其余两种干扰信号则结合现有的方法进行处理。针对目标干扰信号具有时序性这一特点,文中将其视作时序信号进行处理,并预测出爆发区域电台信号可能强度。假设信号线性可加,将其与对应区域强度$进行数字运算,反向得到爆发信号强度。如此可以在尽可能保留爆发信息的前提下,达到抑制干扰的目的。在分别采用传统时序预测模型——整合滑动平均自回归模型(Autoregressive Integrated Moving Average model,ARIMA)和循环神经网络(Recurrent Neural Network,RNN)对信号进行步进式预测后,发现RNN在预测方面比ARIMA模型表现的更好,但预测方式带来的误差依旧会不断地影响网络预测的结果。之后本文依照目标干扰电台的数值特点设计了基于数字映射的RNN方法,以将时间序列预测问题转化为时间段分类问题的方式,实现对电台值的预测。通过三种预测方法的实验结果对比发现,基于数字映射的RNN法可以有效抑制步进式误差,提高预测的准确率。为进一步体现基于数字映射的RNN法的优势,将其与传统RNN方法分别应用到仿真爆发事件中。仿真爆发事件依照信号线性可加原理构成,对比结果发现前者在抑制干扰方面表现更好。将设计的方法应用到实际爆发事件中,简要分析实际情况中出现的过度抑制情况,并结合事件本身数据对干扰抑制区域进行补偿。在利用常见方法处理另两种干扰信号后,结合图像增强方法得到干扰极少的频谱图。最后,对比常用算法与本文设计方法的爆发事件处理结果,证明后者在干扰抑制方面有着更好的表现,并且可以达到本文的预期目标。本文的研究工作能够有效地抑制太阳射电频谱图中的干扰。经过文中对电台值的处理,可以发现将预测问题转化为分类问题进行处理,能够有效地提高预测准确率。相比于图像层面上的处理,数字层面上进行抑制干扰处理,不仅能够保留更多的有效信息,还能为后续事件分析留有更大的操作空间,同时为深度学习在天文抗干扰处理中提供了新的思路与方向。