随着移动通信技术的发展,当前静态的频谱分配策略导致频谱利用率严重不足。认知无线电能够通过机会性的频谱接入来提高频谱资源的利用率。频谱检测是认知无线电中的一项关键技术,可以在避免对主用户造成干扰的同时定位频谱中的空闲分量。然而,在高频段执行的宽带频谱检测方案存在采样率过高的问题。宽带压缩频谱检测能够对宽带信号进行随机亚抽样,降低次用户采样率。在宽带压缩频谱检测中,信号的稀疏度参数至关重要。由于宽带信号是动态变化的,因此,实时获取信号的稀疏度信息以提高检测方案的可靠性和效率具有重要的研究意义。本文的主要工作如下:1.在当前宽带压缩频谱检测中,存在信号稀疏度未知和重构算法迭代次数过高的问题。因此,本文提出一种基于稀疏度区间估计的宽带压缩频谱检测方案。首先,深入分析当前经典的稀疏度估计模型,利用二项分布的精确置信区间推导出稀疏度区间估计模型。其次,利用估计的稀疏度信息,对稀疏度自适应匹配追踪算法进行改进。再者,基于稀疏度估计模型和改进的重构算法,提出宽带压缩频谱检测方案。最后,仿真结果表明,该方案能够精确地估计信号的稀疏度上下界,提高频谱检测的效率和可靠性,同时减少稀疏度自适应匹配追踪算法的迭代次数,加快算法的收敛速度。2.为了进一步降低次用户的采样率和重构时延,提出一种基于监督学习的协作宽带压缩频谱检测方案。首先,通过分析已有的稀疏度学习预测模型,使用采样向量二范数和子频谱块长度作为监督学习算法的特征向量,推导出自适应稀疏度预测模型。其次,基于自适应预测模型,提出一种宽带频谱筛选算法,利用次用户之间的协作,在宽带频谱中找到待重构的稀疏频谱集。然后,基于预测模型和筛选算法,提出一种协作宽带压缩频谱检测方案。最后,仿真结果表明,该方案能够有效地降低次用户采样率和频谱重构时延,同时改善预测模型的拟合效果,增强模型的自适应性。