随着无线通信业务的不断增长,无线频谱资源日趋匮乏,摈弃了传统静态频谱分配理念的认知无线电技术应运而生。认知无线电技术允许感知用户在不干扰授权用户正常通信的前提下,对未被占用的频带进行伺机接入,以完成其通信业务需求。其中,频谱感知技术是认知无线电系统中最核心的研究方向之一。频谱感知算法实现了认知系统对无线通信环境中潜在频谱空洞的检测和判决,对频谱的动态分配提供了重要保障。本课题针对频谱感知技术进行了深入研究,主要从单节点本地感知和多节点分布式协作感知的角度,讨论了一种基于改进循环平稳特征的本地检测算法和一种基于局部网络平均去噪的分布式协作感知算法。本文主要创新点及工作如下:1.本文提出了一种基于信号与噪声相关性的改进循环平稳检测算法。通过对传统本地频谱感知算法优缺点的分析,本文找到了本地频谱感知算法的优化思路,并针对循环平稳检测所使用的检测特征点容易被噪声基底湮没的问题,本文提出了一种基于信号与噪声相关性的改进特征。改进特征作为补充信息,可以有效提升检测算法的抗噪声能力,与传统循环平稳检测相比,其在理论上具有更高的检测性能。最后通过仿真实验,本文验证了算法的性能改进,所提算法能够使循环平稳检测的检测性能得到进一步提升。2.本文提出了一种基于机器学习的频谱检测算法。传统检测算法多采用基于阈值的检测策略,在阈值计算过程中,受数据质量的影响,检测模型难以采用真实最优的阈值进行判决。本文使用神经网络与SVM等机器学习算法,将信号检测问题建模为机器学习擅长解决的分类问题。通过对大量训练数据进行统计学习,可以得到更为贴近真实分布的检测模型。通过仿真验证,改进检测模型的检测性能优于传统阈值检测方案。3.本文在改进的单节点循环平稳检测基础上提出了一种基于局部网络平均去噪的分布式协作感知算法。针对传统算法对感知节点可信程度不敏感的问题,本文利用循环谱密度函数噪声基底的特点,提出了一种基于平均去噪的分布式特征增强算法,并将其应用到基于软判决的分布式频谱感知网络,可以最大程度地保留原始数据的有用信息,通过平均去噪原理可以还原更为贴近真实分布的信号特征,显著提高检测性能。