随着现代宽带无线通信业务剧增及频谱资源受限等矛盾日益显著,频谱短缺越来越成为无线通信亟需解决的关键问题。频谱感知（Spectrum Sensing,SS）作为认知无线电（Cognitive Radio,CR）关键技术,有助于解决该难题。传统采样协方差矩阵频谱检测研究广泛,但其多为渐进门限,且为理论推导值,难以实用。同时,传统压缩型SS方法存在重构原信号复杂度高和观测矩阵与稀疏矩阵间相关性导致的检测概率降低等问题。为此,本论文采用机器学习和压缩感知（Compressed Sensing,CS）方法,开展了稀疏SS方案研究。本文主要内容和贡献如下:1、为了解决传统频谱感知算法渐进门限不准确和检测概率低等问题,通过Doolittle分解采样协方差矩阵和支持向量机（Support Vector Machine,SVM）判决分类,提出了适合低SNR的自适应频谱感知方案。具体对各次用户（Secondary User,SU）接收的待检测信号协方差矩阵Doolittle分解,并提取特征统计量,以计算判决门限。仿真表明:在信噪比（SNR）＜-15d B下,相对MME-SVM和SVM频谱感知方案,所提算法检测概率分别提高了约11%和15%;2、为了解决观测与稀疏矩阵相关性而导致的重构不彻底等问题,提出了优化感知矩阵的压缩频谱感知（Compressed Spectrum Sensing,CSS）方案。首先,将感知矩阵的优化转化为Gram矩阵趋近单位矩阵,并通过CS算法不断收缩目标单位矩阵。然后,用梯度下降法迭代观测矩阵,在迭代中不断收缩目标单位矩阵门限,加快收敛速度。其中,通过最大相关系数与Gram矩阵相关性下界,确定迭代门限,提高频谱检测性能。仿真表明:在观测次数为100时,相对梯度迭代算法和Gram优化算法,所提方案频谱检测性能提高了2%和4%;在SNR为-5d B时,与Gram优化算法相比,均方误差提高了4%;3、为了解决传统CSS算法在重构原信号时复杂度大和检测概率低等问题,利用SVM信号重构,提出了非重构判决统计量优化方案。首先,压缩测量待感知信号,得主用户（Primary User,PU）信息。然后,优化感知信号协方差矩阵,取其主对角元素均值为统计量,再用SVM代替CS原信号重构,减小计算量,提高CSS检测概率。仿真表明:在低SNR下,在检测概率和时间上,所提方案均有提高。在SNR=-14d B时,相对Co Sa MP和OMP重构频谱感知方案,所提算法检测概率分别提高了约3%和7%。本文主要研究的采用机器学习SVM的盲频谱检测,协助解决了传统频谱感知算法渐进门限结果不准确和检测概率低的问题。所提优化观测矩阵CSS方案,有效解决了观测矩阵与稀疏矩阵存在相关性而导致的重构不彻底等问题。同时,所提非重构自适应CSS方案,有效解决了传统CSS在重构原信号时复杂度较大和检测概率低等问题。故所提方案可有效用于面向资源受限与时延敏感等新一代认知协作通信中的频谱感知等场景。