随着移动设备的增多,而可用的无线电频谱资源是有限的,出现了频谱资源供求关系的不平衡,而以往的固定频谱分配策略频谱利用率低下,已不能满足与日俱增的用频设备,造成了很多频谱资源的浪费。频谱预测技术是提高频谱利用率的有效方法,随着深度学习的发展,神经网络的技术越发成熟,将深度学习技术应用到频谱预测中来是可行的,本文将围绕基于递归神经网络的频谱预测技术展开研究。在认知无线电中,频谱预测是很重要的一个研究内容,频谱预测包括了很多方面的内容,主要有空域频谱预测,时频域能量预测,信道状态预测等多个内容。本文的研究内容有两点,一个是空域频谱预测,一个是信道状态预测。在空域频谱预测中,主要研究问题是在给定的有衰减有遮挡空间内,已知有限个点的位置处的信号强度测量值,如何预测出整个空间的信号强度测量值。如果在简单环境中,可以利用数学或者物理公式,对其进行三点定位,推测出发射器的位置,从而反推出其他网格的信号强度值。本文考虑的是更复杂的问题,发射器位置未知,且空间环境较复杂。本文结合该数据在空间上的特点,采用一种特殊的Cellular Simultaneous Recurrent Neural Network(CSRN)网络来解决该问题,并与Multilayer Perceptron(MLP)方法进行了对比。在信道状态预测的研究中,本文主要研究问题是如何利用一定时间内的历史信道状态值,预测出未来一定时隙内的信道状态值。本文充分考虑到信道状态在时间上的相关特性,利用基于循环神经网络的sequence to sequence(seq-to-seq)网络结构具有长短时记忆功能的特性,将其应用到本问题中来。研究了如何利用n个历史时隙的信道状态值,预测未来m个信道状态值,以及输入序列长度n对于预测准确率的影响,并探讨了预测时隙长度m对性能的影响,并且,利用该seq-to-seq网络结构,同时对多用户的联合预测也是可能的,并且本文还讨论了将多用户联合预测与单个用户独立预测之间的性能差异。本文的实验结果说明,本文所提出的CSRN网络的空域频谱预测对发射器位置未知,并且环境信息未知的复杂环境中的空域频谱预测问题,取得比MLP性能更好的效果。并且,参数T越大,CSRN网络性能越好;此外,本文所提出的基于seq-to-seq网络的信道状态预测,能对输入序列中存在的规律进行学习,并且性能明显优于MLP,且在多用户的联合预测中也比独立预测性能好很多。