卫星频谱信号识别是获取卫星频谱使用情况的技术,分为信号检测和异常识别两部分。本文从图像的角度进行了频谱检测的研究,使用计算机视觉和机器学习相结合的方法进行频谱感知和异常识别。对于频谱感知,本文使用了数字图像处理的方法和密度聚类算法。对于得到的频谱,取合适的滤波模板对图进行均值滤波并进行像素的二值化处理,然后将处理过后的点进行相同横坐标的中值选取完成预处理。最后对处理过后的频谱进行DBSCAN聚类,并使用聚类的参数完成信号的参数估计以获得信号的带宽、中心频率和峰值增益。仿真表明,该方法相对于能量检测法摆脱了门限敏感的缺点,实现了更准确的信号检测。对于异常检测,本文将其作为目标识别问题进行处理。其中卫星频谱图作为背景图,不同的卫星频谱异常分别作为不同的目标进行检测。在实现过程中,本文引入当下最为成熟的目标检测框架YOLOV3并对其进行频谱异常检测的适应性改造。通过神经网络选取、数据集制作和网络训练三个步骤训练出频谱异常识别的神经网络。并且通过数据扩增、算法修改和过拟合预防不断地提高目标检测的准确度。最终在实际的异常检测问题中,训练出的目标检测网络在召回率为65.9%的情况下实现了95.3%的精确度,实现了较好的检测效果。