随着无线通信新兴技术的不断涌现,人们对无线频谱资源的需求也在不断上升。而现有的静态频谱使用政策,导致可分配的频谱资源少之又少,频谱资源的供需问题愈发紧张。认知无线电作为一种新的动态频谱共享技术,实现了对授权频谱“二次利用”。而认知无线电的第一步工作就是频谱感知,准确而又快速的实现对微弱信号的检测将有效的提高频谱利用率。为了克服传统频谱感知的缺点,提升在低信噪比下的频谱检测性能。本文提出了一种基于量子神经网络(Quantum Neural Network,QNN)的频谱感知算法,算法的基本思想是通过提取授权用户信号的特征参数,对量子神经网络进行训练,获取授权信号中数据的不确定性并加以存储、记忆,从而实现周围环境“频谱机会”的检测。此外,文中还进一步分析了网络模型中输入特征值,隐层节点数等关键参数的选取和设计。最后建立实验仿真,仿真结果表明在低信噪比情况下,其检测性能要优于循环平稳特征检测和BP神经网络检测。并且在训练收敛性上较BP神经网络算法有了很大的提升。但是也能明显的看出QNN感知算法在训练过程中训练误差曲线抖动明显,稳定性较差。为了解决上述的不足,本文在最后对QNN感知算法进行了改进,选用三层Josephson函数作为激励函数,缩短激励函数的饱和区,减少训练过程中出现“假饱和”现象；并在原有的学习目标函数中加入约束条件,使网络权值调整和量子间隔更新在学习过程中的相互影响降到最低。通过实验仿真得出,改进后的QNN算法具有更加优秀的收敛性能,并且在检测性能上较改进前有了明显的提高。