物联网技术(Internet of Things,IoT)、4G、5G等无线通信技术的高速发展将带来巨大的无线接入量和移动数据流量,给整个社会带来巨大的生产力。但是有限的无线频谱资源及其分配方式已经成为了制约新兴技术的关键因素。目前频谱的静态分配方式已无法满足人们的需求,人们积极寻求更为高效合理的频谱利用方式。认知无线电(Cognitive Radio,CR)的出现为动态高效地利用频谱资源提供了系统的解决方案,而频谱感知技术则是CR系统的关键技术和基础前提。它通过积极主动地感知授权用户(Primary User,PU)信号,寻找在各种维度中出现的未被充分利用的频谱资源,即频谱空洞(Spectrum Hole),为认知用户(Secondary User,SU)的动态频谱接入(Dynamic Spectrum Access,DSA)提供支持,进而实现对频谱资源的动态共享(Dynamic Spectrum Sharing,DSS)。论文首先分析了现有的基础的频谱感知算法,并给出了天线阵模型下的能量检测算法,给出了其性能分析表达式在天线阵模型下的推广形式。然后,分析了基于协方差特性的频谱感知方法,该方法的核心思想是信号的出现将反映在协方差矩阵的形式上,通过衡量协方差矩阵形式的改变,来衡量是否有效感知到信号的存在。基于特征值的频谱感知方法由协方差矩阵频谱感知算法发展而来,该算法基于特征子空间技术,能有效反映出协方差的变化。同时该方法在物理意义上也能反映出信号的功率、相关性等,是便捷有效的频谱感知方法。在上述两类算法中,对协方差矩阵的估计精度将直接影响频谱感知的性能。文中通过使用时空二维协方差估计算法对协方差矩阵的估计算法进行了改进,能有效提高上述两类频谱感知算法的性能。由于特征值分布比较复杂,因此基于特征值的频谱感知算法难以实现对关键指标参数的控制。对于天线阵环境下,我们通过分析空间谱密度与特征值的关系,说明了空间谱密度对特征值的可替代性。本文通过特征向量子空间方法,建立特征值与谱密度的关系,分析提出了天线阵条件下基于空间谱密度的频谱感知算法。同时探讨了信号入射角已知和未知两种情况下的检验统计量,并用顺序统计量的最新研究成果,给出了统一的并具有明确物理意义的性能分析表达形式,能够有效计算检测概率和虚警概率的理论值。仿真有效验证了该方法的理论分析结果,并且该算法计算复杂度和性能方面比特征值感知算法有一定的优越性。