在生活水平高速发展的今天,人们对无线通信的需求量越来越大,如何合理有效地利用频谱资源来提高频谱资源的利用率也就变得愈加重要。认知无线电是解决频谱资源短缺的一个重要技术,而频谱感知又是认知无线电的基础,提升频谱感知的效率和可靠性就显得至关重要。本文对频谱感知方法的研究工作如下:（1）针对大多数传统频谱感知方法受噪声不确定性的影响以及难以确定判决门限的问题。本文将神经网络与频谱感知相结合,分别研究了基于长短期记忆网络（LSTM）和卷积神经网络（CNN）的两种频谱感知方法。将接收的IQ两路信号经能量归一化处理后输入到不同参数的网络中进行训练,得到最优网络结构的频谱感知模型。两种模型利用信号的原始信息进行感知,不用事先了解主用户信号的先验信息来设定判决门限,并通过对比实验证明,基于LSTM和CNN的两种频谱感知方法相对于其他传统方法有更高的检测概率,为后续频谱感知方法的改进提供基础。（2）为了使得特征统计量的提取不完全依赖于信号的能量值,减少信息的冗余,将接收的IQ两路信号能量归一化的预处理方式改为Z-Score标准化处理,把信号的平均幅值和方差作为特征构成新的统计量。在此基础上结合LSTM和CNN的两种频谱感知方法分别在提取数据的时间相关性特征和局部特征方面的优势,提出了一个并行的CNN-LSTM单用户频谱感知模型。通过实验证明经特征统计量标准化处理后的CNN-LSTM的频谱感知模型在不同信噪比下都有更优越的性能。（3）针对单用户频谱感知模型很容易受信道的衰减和阴影效应等破坏性的影响,又提出了基于CNN-LSTM的多用户协作频谱感知模型。让多个认知用户通过分布式协作方式来接收感应样本,有助于在一定的持续时间内快速识别主用户。并且经实验表明基于CNN-LSTM的多用户协作频谱感知模型在低信噪比条件下特别是在低于-15dB时优势明显。