频谱预测技术是认知通信中的重要组成。频谱预测技术通过有效的利用频谱占用统计数据之间的内在相关性,从已知的频谱占用情况推断无线电频谱未来时刻的占用状态,从而协助频谱感知过程,提高频谱利用率。供工业、科学及医疗使用的ISM（Industrial Scientific Medical）频段是无须授权即可使用的频谱资源,无线局域网、蓝牙以及ZigBee等无线网络,均工作该频段上。由于ISM频段的频谱状态具有时变性、动态性、高突发性等特点,使得该频段的频谱占用规律难以发掘,是频谱预测的难点。由于基于IEEE 802.11标准的Wi-Fi网络是ISM频带中最常见的网络技术,因此本文主要基于Wi-Fi网络进行ISM频段频谱预测的研究。本文主要工作和创新点如下:1、本文首先对现有的频谱建模和频谱预测技术进行介绍,并对ISM频段进行了介绍和频谱特点分析。然后分析了在ISM频段上进行频谱预测的必要意义和预测难点。通过对已有的ISM频段上的频谱预测方法进行研究和分析,为后续的ISM频段频谱预测的算法改进奠定了基础。2、本文用马尔科夫调制泊松过程（MMPP,Markov Modulated Poisson Process）对Wi-Fi网络进行频谱建模,使用MMPP/G/1/K模型对Wi-Fi网络中AP（Access Point）处活动进行模拟。该模型考虑了 Wi-Fi流量的动态特性和突发特性,从数学上描述了 Wi-Fi频带中出现空白的频率、持续时间和概率分布。根据模型分析结果显示,Wi-Fi空白的出现频率和时长足以允许有意义的认知通信,为后续的频谱预测奠定了基础。3、为提升ISM频段的频谱预测精度,本文提出了 K-LSTM（K-means Long and Short Term Memory）网络频谱预测算法。该算法会根据频谱数据特征对Wi-Fi频谱进行模式分类,在分类的结果上进行频谱预测,克服了传统LSTM（Long and ShortTerm Memory）网络模型在多模式Wi-Fi频谱上泛化性差的问题,从而在一定程度上提升频谱预测精度。仿真结果表明,提出的K-LSTM算法相对于现有算法,能明显提升复杂频谱模式的预测精度。本文还使用了具有局部响应的特性的RBF（Radial Basis Function）网络进行频谱预测。在多模式Wi-Fi频谱数据上,该网络的局部响应特性能提升预测模型泛化性,但由于网络计算复杂度高,不适用于大量数据的预测,不能充分利用该网络的优势,因此性能表现不如K-LSTM算法。