无线用户和高带宽应用的爆发式增长导致频谱拥挤问题日益突出,针对此问题,认知无线电系统构建了一种基于频谱感知的动态分配频谱资源的框架。该系统的基本功能是谱感知,即通过估计频谱利用情况找出潜在可使用的频谱空穴,从而满足更多用户的接入需求。目前针对谱感知技术的研究有两个新的动态:一是基于阵列技术的联合频率和到达角(DOA)的谱感知,二是基于压缩采样的谱感知。前者可以从空间维度复用谱资源从而提高频谱利用率,后者则可以有效解决宽带信号采样率高的问题。如果将上述两种技术结合起来,就可以同时利用二者的优势,但如此一来将在系统结构、数据模型、感知算法等方面面临诸多问题,而且目前相关的研究尚不充分。为此,本文系统地研究了基于压缩采样的联合频率和DOA的谱感知技术,针对子带单信号、子带多信号和子带信号个数超过阵元数的场景,设计了两种基于压缩采样的阵列接收机结构,建立了相应的接收模型,分析了模型的克拉美罗界(CRB),并提出了基于三线性分解、子空间分解和迭代极大似然的联合频率和DOA的谱感知算法。本文主要贡献如下:1、针对子带单信号场景,通过联合空间和频率信息建立了压缩采样阵列模型。针对该模型,提出了基于三线性分解和子空间分解的联合频率和DOA的谱感知算法,推导了空间相位、频率和DOA估计的CRB。理论证明,当采样数据相同时,本文所提阵列模型的空间相位估计的CRB低于基于Nyqusit采样的传统阵列模型的空间相位估计的CRB,并且子带间的估计性能相互不影响。本文所提算法对频率和DOA的估计均贴近于对应模型的CRB,并且基于奇异值分解的三线性算法降低了大快拍数时的运算量。2、针对子带多信号场景,建立了联合空间和频域信息的压缩采样阵列模型,提出了针对该模型的联合谱感知算法,讨论了子带和整个系统最大可估计的信号数量。同样地,在采样数据相同时,理论分析表明:本文所提阵列模型的空间相位估计的CRB仍然低于基于Nyqusit采样的传统阵列模型的空间相位估计的CRB,并且子带基向量的相互正交性使得子带间的空间相位估计性能互不影响;子带和整个频带最大可估计的信号个数分别为-1和(-1),其中和分别是阵元数和子带数。本文所提算法解决了子带多信号场景的联合谱感知问题,实现了对多于阵元数信号的估计,并且估计性能达到了对应模型的CRB。3、针对子带信号个数超过阵元数的场景,利用块向量化消除压缩采样对协方差矩阵结构的影响,在此基础上提出了基于压缩采样的稀疏阵列协方差矩阵扩展技术,该技术使得压缩采样阵列系统子带最大可估计的信号个数从不使用该技术时的-1提升到-1,其中(>)为物理阵列对应虚拟均匀线阵的阵元数。同阵元均匀直线阵列压缩采样系统相比,基于稀疏阵列协方差矩阵扩展技术的压缩采样系统平衡了估计性能和阵元使用数量,从而在性能损失可接受的情况下减少阵元数。4、为了降低系统硬件复杂度,本文提出了一种结构简化的压缩采样阵列接收结构,并针对该结构推导了数据模型和联合谱感知算法,给出了该模型参数估计的CRB。相比于每个阵元都使用全部压缩采样通道的结构,所提简化的接收机结构以更低的数据率实现了联合谱感知,从而提供了一种估计性能与通道资源折中的方案。5、针对基于Nyquist采样的传统阵列模型,分析了DOA确定极大似然估计代价函数在真实值附近的凸性和凸范围,在此基础上,提出了基于压缩感知的迭代极大似然DOA估计算法,实现了极大似然DOA的快速估计。进一步将传统阵列模型的凸分析和估计算法扩展到基于压缩采样的阵列模型中,在极大似然估计理论的框架下实现了联合谱感知。