频谱感知、频谱决策、频谱共享、频谱切换是认知无线电技术的四大功能。认知用户通过频谱感知检测出频谱空洞,并利用频谱决策、频谱共享、频谱切换三个功能对挖掘出的频谱空洞进行二次利用。然而传统的频谱感知、频谱决策、频谱共享和频谱切换通常会对认知无线电系统产生较大的时延以及能量损耗。频谱预测技术是解决上述问题的有效方法,许多频谱预测算法都取得了良好的性能。随着深度学习的兴起,将是频谱预测应用方面的一个很好的创新性研究。因此本论文主要围绕认知无线电中的基于深度学习的频谱预测算法进行展开研究,本文主要工作如下:首先,调研与总结了认知无线电网络中的关键技术。通过查阅文献资料,针对认知无线电网络中四个关键技术存在的缺陷,提出了基于频谱预测技术的改进方案,同时对广泛研究的频谱预测方法进行了详细的阐述和分析,得到了对认知无线电技术的一个整体认识。其次,针对专门处理时间序列问题的循环神经网络(Recurrent Neural Network,RNN)存在梯度消失的问题,设计了基于长短期记忆网络(Long Short-Term Memory,LSTM)预测模型。根据认知无线电的特点,定义了认知无线电中频谱预测模型性能的评价指标。然后,对本论文使用的训练和测试的数据集进行了预处理和统计分析。在单信道下,对所设计的预测算法进行实验仿真,并与多层感知机(Multilayer Perceptron,MLP)预测方法和支持向量机(Support Vector Machines,SVM)预测方法进行对比分析。再次,由于单信道预测下不能很好地挖掘频谱中各信道间存在的潜在关系,我们对深度学习中常用的卷积神经网络(Convolutional Neural Network,CNN)的理论进行了详细介绍,为后续建立预测模型奠定了理论基础,然后利用CNN、LSTM模型作为基本的网络结构,进行组合设计得到了CNN-LSTM结构的预测模型用于多信道下的频谱预测。最后,本论文利用Agilent频谱分析仪采集的真实的频谱数据作为实验数据,对单信道和多信道下所设计的频谱预测算方进行训练、测试,验证其在所提出的性能评价指标上的表现。