随着21世纪5G技术的高速发展和商用化,形成频谱资源供远小于求的局面。认知无线电就是为了解决此问题而被提出来,次级用户通过动态感知附近的频谱资源的工作状态,判断主用户是否存在,从而实现次级用户有机接入频谱。目前,大多数频谱感知算法主要存在两个问题:检测性能容易受到环境因素影响,检测概率较低;复杂度较高。针对上面问题,本文开展了认知无线电中频谱感知技术的研究,主要创新工作如下:首先,针对频谱感知算法在当前无线通信环境中,计算复杂度较高,检测概率较低的问题,提出了一种基于随机矩阵和能量双联合的协作频谱感知算法,并根据虚警概率,对门限阈值进行了公式推导。仿真结果表明,提出的算法与能量检测算法、特征值之比改进算法、MME算法相比,检测效率更高,检测概率更高。在信噪比为-12d B,虚警概率为0.05的情况下,提出的算法对比能量检测算法、特征值之比改进算法、MME算法,检测概率分别提升了171%、54.2%、112.2%;在信噪比为-5d B,虚警概率为0.01的情况下,提出的算法的检测速率基本与能量检测算法保持一致,对比MME算法、特征值之比改进算法,检测速率分别提升了18.8%、10.6%。然后,针对单节点频谱感知容易受到路径损耗、恶意攻击等因素影响,提出了一种基于证据理论的特征值之比协作频谱感知算法（a cooperative spectrum sensing algorithm for the ratio of eigenvalues based on evidence theory,REVET）。该算法以特征值之比检测法作为本地感知,通过计算各个次级用户的基础概率分配函数、加权系数,得出实际的基础概率分配函数,并发送给融合中心。融合中心根据证据理论,对基础概率分配函数进行数据融合判决,得出最终结果。仿真结果表明,提出的算法对比基于证据理论的协同能量检测算法、以“AND”准则的特征值之比算法、以“OR”准则的特征值之比算法,检测概率更高。在虚警概率为0.01,信噪比为-13d B时,REVET算法对比于上述三种算法,检测概率分别提升了22%、30%、7.6%;在融合中心将以30%的概率、遭受攻击强度为2的恶意攻击的情况下,REVET算法相对于其他三种算法,检测概率分别提升了150%、17.8%、11.5%。最后,针对目前频谱感知算法容易受到噪声不确定性、多径效应、隐蔽终端等因素影响,提出了一种基于协方差矩阵的选择合作频谱感知算法（a selective cooperative spectrum sensing algorithm based on covariance matrix,SCCMA）。该算法根据各节点所处的环境因素,通过熵函数计算各个次级用户的熵值以及加权系数,最后得出综合得分,筛选出得分较高的节点进行协方差检测,融合中心采取AND准则对本地感知结果进行判决。仿真结果表明,提出的SCCMA算法相对于本地感知采用特征值改进算法的选择合作算法、基于熵函数的能量检测算法、特征值改进算法,在信噪比小于-8d B时,检测概率更高,同时提出的算法计算复杂度较低,更适合未来恶劣的感知环境。在虚警概率为0.1、信噪比为-11d B时,特征值改进算法、基于熵函数的能量检测算法的检测概率都为0,SCCMA频谱感知算法相对于本地感知采用特征值改进算法的选择合作算法,检测概率提升了3.13倍。