频谱预测是认知无线电系统中的关键技术之一,利用频谱预测技术可以使未授权用户对授权用户造成的干扰达到最小,同时使未授权用户可以找到更多可用的频谱空洞,从而提高整个系统的频谱利用率。因此,频谱预测技术在学术界引起了广泛研究。在现实生活中,由于很难预先获取授权频段的使用特性,而且频谱预测具有复杂的非线性特征,而神经网络具有不需要事物内在分布的先验信息,从而使得神经网络成为频谱预测方法中具有吸引力的方法。但是现有的基于神经网络的预测方法在网络训练时存在着收敛速度慢、易陷入局部极小值的问题,导致在大多数情况下并不能达到预期的训练效果。针对这一问题,本文提出了基于DE-BP的神经网络频谱预测方法。本文首先综述了认知无线电频谱预测的研究现状,分析比较了现有的频谱预测算法；然后对认知无线电系统中的信道状态建模问题进行研究,介绍两种常用的信道状态建模方法：隐马尔可夫模型和排队模型,对其进行理论分析和仿真实验；同时,利用M/Geo/1排队模型模拟授权用户产生信道状态数据,将其作为本文所涉及的频谱预测方法的频谱数据。其次采用BP神经网络进行认知无线电频谱预测的仿真研究,推导了BP神经网络的阈值更新公式,将已产生的频谱数据作为仿真研究的实验数据；并将频谱预测结果用于频谱感知研究,理论分析和实验结果表明,与单独的频谱感知方法相比,该方法不但节省了感知能量,而且提高了频谱的利用率。再次针对现有基于BP神经网络频谱预测方法存在的收敛速度慢和易陷入局部极小值的问题,本文将标准的差分进化(Differential Evaluation, DE)算法与BP算法相结合的DE-BP算法引入基于神经网络的频谱预测研究,给出一种基于DE-BP算法的神经网络频谱预测方法,并利用已产生的频谱数据作为实验数据进行预测仿真验证；实验结果表明,该方法无论是在单信道还是多信道联合预测中都能够在一定程度上提高频谱预测的准确性；并进一步将频谱预测结果用于频谱感知研究,理论分析和实验结果表明,与单独的频谱感知方法相比,该方法降低了未授权用户对授权用户造成的干扰次数,同时节省了感知时间。最后,针对标准差分进化算法存在的收敛速度慢、易陷入局部极小值和早熟问题,设计出一种自适应地交叉概率计算方法,将其与现有的混沌序列变异因子相结合,给出一种自适应差分进化算法(Adaptive-DE, ADE),并将其与BP算法相结合形成ADE-BP算法；通过基于ADE-BP算法的神经网络频谱预测仿真实验表明,本文所提出的算法在不增加复杂度的情况下频谱预测精度优于DE-BP算法。