伴随无线通信技术的高速发展及无线通信业务需求的极速增长，可分配的无线频谱资源也变得越来越匮乏。认知无线电技术是解决频谱稀缺问题的最佳方案，它旨在不影响主用户通信的前提下，通过动态频谱接入的方式利用空闲频谱进行通信。频谱感知是认知无线电技术的前提，对宽带无线频谱进行可靠、准确、快速的感知也成为认知无线电技术能否从理论走向现实应用的决定性因素之一。压缩感知技术可以解决宽带频谱感知中存在的高速采样与海量信息处理问题，但由于压缩感知改变了原始信号的时间关系，无法直接从观测序列获取频谱信息，因此也难以直接利用观测数据进行频谱感知。本文针对这一的背景开展研究，针对现有宽带频谱感知方法所存在的一些问题，探索可以快速、准确感知宽带频域范围的频谱感知方法，并取得了一些研究成果。本文的主要工作和创新如下：（1）通过分析认知网络中的频域稀疏特性，构建了满足分布式压缩感知的联合稀疏模型。针对传统宽带频谱压缩感知方案难以确定最优观测序列长度的问题，提出基于序贯压缩感知的自适应宽带频谱压缩感知方案。该方案通过次用户与次基站间的反馈机制估算当前重构稀疏向量的重构误差，并利用重构误差确定观测序列长度。同时，利用多个次用户间的联合稀疏性实现了多维观测数据的联合重构，提高重构性能并降低观测序列长度。仿真结果验证了重构误差估计的准确性，联合重构算法对比单用户重构算法显著提升了重构精度。基于联合稀疏模型的多用户协作感知也明显提升了系统的感知性能。（2）为了在贝叶斯压缩感知框架下对观测矩阵进行优化，利用关联向量机高斯先验模型及拉普拉斯先验模型两种方式对联合稀疏信号进行建模。由于常用的匹配追踪算法不适用于贝叶斯压缩感知，因此在两种模型基础上分别提出分布式关联向量机联合重构算法和分布式贝叶斯快速拉普拉斯联合重构算法，并从理论上分析了两种算法的性能差异及联系。通过对稀疏信号微分熵的分析，利用特征值分解法对扩充后的观测矩阵进行优化。仿真结果表明，分布式贝叶斯快速拉普拉斯联合重构算法具有更好的重构性能，经过优化的观测矩阵相比随机扩展方式能够更好地提升重构精度，降低所需的观测序列长度。（3）宽带频谱感知并不一定需要宽带信号的所有信息，通过重构获取的功率谱密度只是作为提取特征参数的中间量存在。为了能够直接获取作为判决准则的特征参数，提出一种基于随机滤波器组的分布式非完全重构宽带频谱压缩感知方法，利用随机滤波器的输出数据实现信道能量的压缩采样。为了对现有的联合重构算法进行优化，通过分析匹配追踪系列算法的特点，提出同时压缩采样匹配追踪及同时稀疏度自适应匹配追踪两种联合重构算法。仿真结果表明，非完全重构频谱压缩感知可以明显降低系统所需的滤波器数目，同时稀疏度自适应匹配追踪算法在重构性能明显优于同时正交匹配追踪算法，但略低于压缩采样匹配追踪算法，由于该算法能够自适应稀疏度，因此更具有实用价值。（4）压缩采样后的观测序列可以完整重构原稀疏信号，因此包含了稀疏信号的完整信息。基于以上事实，提出基于串行扫描结构的多分辨率感知方案，低分辨率模式采用非重构频谱压缩感知算法。该算法直接利用观测序列对扫描频段的占用情况进行分析，并采用软判决融合规则进行判定。判定的空白频域直接进行频谱接入，待检频域进入高分辨率感知。高分辨率感知利用多个次用户的联合稀疏性联合重构宽带信号的功率谱密度，并对每个信道的占用情况进行细判定。仿真结果表明，非重构频谱压缩感知算法的感知性能与压缩比及信噪比相关，软判决融合在频谱感知性能上明显优于硬判决融合。多分辨率频谱感知算法在系统感知性能上略低于完整重构方法，但可以明显缩短感知时间。