频谱感知是组建认知无线电系统首要解决的问题,其意义在于使无线通信设备能够实时且准确地感知所处的射频环境,发现并确定“频谱空洞”,以便合理利用。本论文从两个角度出发,一方面针对基于特征匹配的盲频谱感知技术检测概率较低,相邻时刻采样协方差矩阵特征向量关系分析不足的问题,提出了基于Hausdorff距离的盲频谱感知算法,以Hausdorff距离来作为衡量相邻检测单元特征向量关系的参数,并以随机矩阵相关定论和采样协方差矩阵特征值的特性为基础,推导出检测门限值和检测概率的理论值。通过实验仿真将所改进的方法和传统的频谱感知算法进行了对比,可以得出在信噪比为-15dB时,基于Hausdorff距离的盲频谱感知算法的接收机工作特性曲线明显优于基于特征匹配的盲频谱感知算法。另一方面,在研究频谱感知方法的过程中发现,随着大数据时代的到来以及计算能力的提升,传统的频谱感知算法不能有效利用信道内存在的信息,亦不能满足认知无线电系统的智能性要求等问题较为突出。遂将深度学习方法应用到认知无线电频谱感知过程中。并以此为本论文研究重点,提出了基于卷积神经网络(Convolutional Neural Networks,CNN)的频谱感知算法。为了使CNN方法能够有效地处理频谱感知问题,我们量化了CNN结构,并通过所提取的信号的能量特征和循环谱特征构建的训练集进行CNN训练,确立合适的频谱感知模型。进而对接收到的信号进行频谱感知,判断出授权用户信号的存在与否。为了验证所提算法,通过对调制信号进行仿真实验可知,完全能够构建合适的CNN频谱感知模型,并且相较于其他基于机器学习的频谱感知算法检测概率有明显的提升。