随着通信技术快速发展、无线通信业务不断增长,频谱资源分配日益紧张。认知无线电技术为解决频谱匮乏问题、实现频谱资源分配与动态管理以及提高频谱资源的利用效率提供了强而有力的技术支持。频谱感知是认知无线电技术的基础,认知无线电(Cognitive Radio, CR)要求快速准确地对宽带频谱进行感知,这就向数/模转换器提出了高速率要求。越来越高的采样速率逐渐成为限制通信技术发展的一大瓶颈,这促使人们转而寻找能够低速采样的新技术。压缩感知(Compressed Sensing, CS)便是这样一种技术,它打破了奈奎斯特采样定理的限制,仅通过少量检测点数便能实现信号的重建与检测。本文对基于压缩感知的频谱感知算法进行了研究。考虑到实际应用中频谱占用通常具有稀疏性,根据频谱占用特点和频谱检测的要求,本文提出了一种基于差分信号压缩感知(Differential Signal Compressed Sensing,DSCS)的宽带频谱感知方法。该方法在能量检测法的基础上引入压缩感知理论,使系统能以远低于奈奎斯特采样速率的速率对信号无损采样,降低了对系统硬件的要求;为降低计算量、提高算法稳定性,该方法通过检测差分信号代替检测信号本身作为判断频谱占用变更的依据;为根据实际需要更灵活地调整算法准确度、降低计算复杂度,引入精度作为算法的迭代停止条件。仿真结果表明,适当的精度下DSCS法能够大降低迭代次数、减少计算量,并获得较一般方法更好的检测性能。由于在对多源、多维信息协同利用和综合处理方面的缺乏,单点检测对检测对象的整体性、系统性考虑不够充分,在准确性、可靠性和实用性等各方面都有所缺憾。因此有必要引入多节点协同检测,其中的集中式数据融合算法具有无信息丢失、数据全面、最终判决结论的置信度高等优势,但这一算法由于其传输数据量大、信息处理时间长、融合中心负担过重,会对系统响应能力造成一定影响。基于压缩感知理论框架,本文提出了一种基于压缩感知的多节点集中式检测方案,该方案在继承了集中式优点的同时极大地降低了采样速率,减少了传输数据量与存储时间。压缩感知重建算法是NP ? hard问题,计算复杂度高,特别对于宽带信号重建过程耗时过长,不利于实时性应用。使用差分信号与多节点检测对于重建算法的效率与性能有一定程度地改善,但是没有从根本上改变。本文将神经网络技术引入基于CS的宽带频谱检测方案,用BP神经网络模拟取代重建算法过程,将计算复杂度从检测占用情况转移到网络训练上来。仿真结果显示在对数据进行1-bit量化处理以后,系统能在较短时间内根据输入的检测信号得到频谱占用情况,大大提高了检测对实时系统的满足程度。新方案与基于CS的宽带频谱检测方案相比,能获得远小于后者的检测时耗,同时获得更好的对噪声的鲁棒性。