频谱感知是认知无线电系统的核心技术。但是在宽带频谱感知中,传统的奈奎斯特采样因速率过高而硬件难以实现。为了解决这一问题,引入压缩采样来降低对硬件的要求是一种可行的解决方案。本文在对宽带压缩频谱感知技术进行深入研究的基础上,针对频谱感知中稀疏度未知和噪声功率不确定的问题,提出通过观测矩阵的自适应,提高压缩感知的重构精度。本文的研究围绕观测矩阵的自适应而展开,所做的主要工作如下:1、提出了一种两步自适应压缩感知算法。第一步为初始化阶段,通过减小观测矩阵的互相关系数来优化初始观测矩阵;第二步是自适应阶段,通过最小化重构误差的克拉美罗界来自适应地优化观测矩阵的每一行。该算法将观测矩阵优化与压缩采样自适应过程相结合,仿真实验表明所提出的算法比传统的压缩感知算法在抗噪性能和重构精度方面有更好的表现。2、提出了基于序贯检测的观测矩阵自适应压缩感知算法。该算法在压缩观测的同时对观测矩阵进行自适应训练,在后续的观测中能够能够更好地保持原信号的信息,增强观测值的信噪比,从而减小重构误差。仿真结果验证了该算法在同样的检测性能要求下,能够进一步减小观测值数目,降低采样开销。3、提出了基于观测矩阵优化的快速贝叶斯匹配追踪算法。该算法将观测矩阵的优化引入到快速贝叶斯匹配追踪算法中,将信号估计与观测矩阵构造两个环节相结合,通过减小观测矩阵的互相关性实现对观测矩阵的优化,以提高稀疏信号的估计精度。仿真结果表明在低信噪比的条件下,所提算法同其它算法相比有更好的检测性能。