随着无线通信的飞速发展,越来越多的设备被接入到无线网络,无线频谱正在成为一种越来越重要的稀缺资源,但现阶段静态的频谱分配策略并不能充分利用无线频谱资源。认知无线电技术便是在此背景下提出,它能够很好的缓解目前频谱资源紧张的问题。频谱预测与频谱接入技术则是认知无线电中的关键技术,频谱预测技术是指通过对历史频谱信息进行学习对未来的频谱状态信息进行预测,频谱接入技术是非授权用户根据信道历史频谱数据与预测得到的信息来高效完成频谱接入,充分利用空闲的频谱资源。本文基于此背景首先对频谱预测与接入的相关技术进行了详细介绍,随后分别对突发性频段的频谱预测问题和单用户多信道的感知接入问题进行了研究,论文的主要贡献及创新点如下所示:针对突发性频段的频谱预测问题,本文创新性地设计了一种基于深度强化学习的多分类器频谱预测算法。首先采集具有高突发性的ISM频段数据进行分析,利用频谱数据空闲度、自相似性、可预测性、自相关性等多个特征表征数据突发性,根据特征对数据进行分类训练得到多类别的预测模型,随后利用深度强化学习算法完成不同状态与不同预测模型之间的匹配,最终在不同状态选择相应的预测器完成预测。同时在两方面对该算法进行进一步的优化,一方面,基于预测结果对频谱数据的分类过程进行了优化,另一方面,针对固定分组的问题,提出了一种窗口滑动的思想来进行动态分组。本文实现了所提算法并在采集数据集上进行验证,仿真结果展示了所提算法相比常见的几种频谱预测方法的优越性能,所提算法的预测准确率相比其他几种算法提升了 6%以上,对突发性频谱数据实现了很好的预测效果,能够满足ISM频段的用频需求。针对非授权用户的多信道频谱接入问题,本文提出了一种基于频谱预测的多信道感知接入算法。首先结合多信道的历史频谱数据和频谱预测结果计算信道优先级系数,其次根据信道优先级系数降序排列结果对多个信道按顺序进行感知,最后利用最优停止理论进行高效决策来判断何时停止感知以获得最大的回报。本文实现了该算法并在仿真生成数据和采集数据上分别进行了验证,仿真结果表明所提算法相较于传统算法在吞吐量、感知能量消耗和能量效率方面均具有明显的性能优势,证明了所提算法能够较大程度地利用授权用户的空闲时间完成频谱接入以提升频谱利用率。