无线电频谱资源作为国家战略性资源,在民用、军事等领域都起到了至关重要的作用,国内外都非常重视对频谱资源的管理。对频谱异常状态的检测是频谱资源管理监测的重要内容之一。传统的方法通过有监督的算法建立检测模型,可检测到的异常信号种类单一。由于实际场景下,信号发生异常的概率相对较小且原因众多,现有的模型方法无法适应。因此,本论文基于无监督的思想,结合人工智能的方法,对恶意电磁干扰、出现未授权信号、授权信号违规用频三种频谱异常情况的检测展开了研究。具体而言,论文的主要工作内容包括以下四个方面:（1）、构建频谱异常模型,搭建数据采集平台,构建实验需要的数据集。在对相关频谱异常模型对比分析的基础上,根据实际需求对频谱异常状态进行建模;根据此模型搭建电磁信号数据集和频段扫描数据采集平台,构建了后续算法验证所需的数据集。（2）、提出了基于相对小波时间熵的检测算法,解决了因恶意电磁干扰而导致的频谱异常状态的检测问题。该算法首先计算两段正常工作信号的相对小波时间熵曲线,观察其波动范围确定检测阈值,然后计算待测信号同正常信号的相对小波时间熵曲线,通过与检测阈值作比实现频谱异常检测。最后对采集的FM电磁信号数据集进行仿真试验,验证了该算法的有效性和可行性。（3）、构建了基于生成对抗网络的检测方案,解决了因出现未授权电磁信号导致的频谱异常状态的检测问题。该方案将正常工作信号的时频图输入神经网络,通过学习其频谱的统计分布规律,建立判别模型,利用保存的模型实现频谱异常检测。最后利用电磁信号数据集进行仿真试验,将检测准确率提高到97.1%,并且根据对比试验,验证了该方案的检测性能优于基于相对小波时间熵的检测方案。（4）、构建了基于长短期记忆网络（LSTM）频谱预测的异常检测方案,解决了因授权电磁信号违规用频而导致的频谱异常状态的检测问题。该方案根据授权电磁信号的用频规律,通过利用频道占用度序列的周期性和可预测性,借助LSTM对下一时间段的频道占用度序列进行预测,对比预测结果和实际结果的差异来判断异常。最后对频段扫描数据集进行仿真分析,验证了该方案的有效性。论文主要研究了在异常信号先验知识较少的情况下,电磁频谱管控过程中出现的各种频谱异常的检测问题,通过文中提出的解决方案,有效地实现了在无监督状态下对频谱异常状态的检测。