频谱感知是指认知用户通过检测目标频段发出的信号来判断其当前频谱的使用情况,是认知无线电中最基本的技术。其目的就是在复杂的通信系统中迅速地找到频谱空穴,使非授权用户可以使用这些空闲的频谱。目前所提出的频谱感知方法大多是基于假设检验理论,利用模型的特征作为测试统计量,比如能量、特征值等,然而这些特征无法代替所有的信号信息。基于此,很多学者将深度学习引入频谱感知中,其核心思想是通过一系列非线性变换来进行特征提取。但是现有的基于深度学习的频谱感知算法大多是监督学习,即需要大量的标签样本进行训练,这在实际情况中是很困难的。为了解决这个问题,本文提出了两个半监督频谱感知算法。首先提出了一种基于半监督对抗自编码器（Semi-Supervised Adversarial Autoencoder,SSAAE）的频谱感知算法。其利用了对抗的思想对网络学习的特征向量进行显示地约束,使其符合预先设置的先验分布,更好地进行分类任务。该算法利用原始的采样信号作为网络的输入,不需要任何先验信息,属于盲检测算法。并且该算法在训练过程中利用未标记数据的生成描述来提高仅使用标记数据获得的分类性能,很大程度上减少了训练集的收集成本,还增强了模型的适应能力。当信噪比较低时,在高斯白噪声的环境中对OFDM信号的数值实验结果显示,所提出的SSAAE算法的检测性能要明显高于传统的频谱感知算法。针对SSAAE算法收敛速度慢,特征学习效果不佳的问题,提出了基于卷积对抗自编码器（Convolutional Adversarial Autoencoder,CAAE）的半监督频谱感知算法。卷积神经网络（Convolutional Neural Network,CNN）相对于普通神经网络来说拥有更强大的学习能力,所以将自编码器中多层感知机更改为卷积神经网络,在减少网络训练的参数量的同时,提高了模型的特征学习能力。此外还有效地降低了过拟合问题的出现。此算法将CAAE和逻辑回归结合,利用采样信号的实部、虚部及模信息构建三通道训练集对CAAE进行无监督训练,确立优化的特征提取模型,再利用所提取的特征对逻辑回归进行监督训练,得到高性能分类器。为了验证所提出的算法的检测性能,利用相同的训练集进行实验,结果说明此算法相对于SSAAE算法有明显的性能提升。