近年来,5G技术、物联网、车联网等网络信息技术正在蓬勃快速的发展,并在家庭、工作区域、公共区域等领域进行了大规模投入使用。自然地,人们对频谱资源的需求越来越多,而实际环境中频谱资源却是越来越稀缺。同时,研究者发现目前主流的频谱分配机制主要包括固定分配方式和接入方式,这两种机械分配机制导致有效频谱的使用率处于较低的状态,因此科技工作者将研究的重点转向如何提高频谱利用率的方面。而认知无线电技术的应用一定程度提高了频谱的使用率,那么作为其核心技术之一的频谱感知引起了科技界的广泛关注。虽然当前的频谱感知技术对频谱的检测上各有不同的优势,但面对日益增多的频谱需求和高维信号,会导致原始信号出现丢失。由于现代网络信息技术的发展,所获取的信号数据都是高维数据。高维数据的处理的方式通常将其处理成向量或者矩阵的形式,这样的方式降低了运算的复杂度,但是其会导致原始信号出现丢失,或者在传输处理过程中出现被噪声等干扰污染的情况。这就造成实测获得频谱数据往往是不完整的,导致信号在重构过程中,不能较好的恢复原始信号,从而影响算法的检测性能,导致检测概率过低,使融合中心不能准确判断相应频谱是否存在主用户工作,影响了次用户对有效频谱的使用,使有效频谱的利用率降低。为了解决上述问题,本文在认知无线电系统网络框架下,考虑了频谱信息受信道衰落和噪声干扰的影响,以信道、主用户的位置三维信息建立三阶功率信号张量模型,采用了低秩张量分析算法来恢复原始信号缺失的和损坏的信息。通过判断相应频谱的主用户工作状态,计算出检测概率和虚警概率,通过这两个标准来衡量算法的感知性能。从而使融合中心能更好的分配频谱给次用户,提高频谱利用率。由于低秩张量补全算法在运行中算法复杂度高,运行时间长,且在有噪声干扰存在的情况下,重构原始信号的效果差,针对上述低秩张量补全算法存在的问题,引入改进的低秩张量分析算法,使对信号数据的处理从大规模的奇异值分解改成小规模的奇异值分解。最后在MATLAB平台仿真,比较上述两种算法,改进的低秩张量分析算法可以使频谱的感知检测性能得到进一步的提高。