目前通信系统中频谱资源的短缺问题越来越严重,静态频谱分配方案已经无法满足更高数据速率设备的要求。在专用频谱分配的机制下,许多已获得权限的频谱处于空闲状态,这一现象造成了频谱资源的浪费。认知无线电技术可以通过动态频谱接入的方式,来解决可利用的频谱资源短缺的问题。认知无线电的实质是频谱感知,核心思想是通过信号活动性检测,准确检测出“频谱空洞”,这在频谱接入和频谱共享中起着至关重要的作用。在现实的通信系统中,授权用户的信号形式多样,系统具有多种信道参数,信道环境对信号的干扰不一致,因此频谱感知技术面临很大的困难。当前的大多数频谱感知算法都利用启发式算法,在传统的检测算法中手工定制一系列规则和假设,不能自主学习信号的特征,并且多种方法之间没有泛化性。为了解决此问题,本文提出了两种基于深度学习的MPSK信号活动性检测器:基于神经网络与Dropout的MPSK 信号活动性检测器算法(A Signal Activity Detector Based on Neutrul Network and Dropout,NND-SAD)和基于注意力协方差矩阵卷积神经网络的信号活动性检测器算法(A Signal Activity Detector Based on Attention Covariance Matrix Convolutional Neural Network,ACM-SAD)。本文的创新点可以总结为以下三点:(1)NND-SAD算法将神经网络与Dropout进行融合,使用接收的原始信号作为特征,借助深度神经网络的记忆和学习能力,找出输入信号之间的相关性。仿真结果表明,NND-SAD算法与其他多种常用的信号检测算法进行对比,可以达到较好的性能。(2)将卷积神经网络模型引入频谱感知算法,利用卷积神经网络强大的提取数据特征的能力,提取接收信号的协方差矩阵作为特征来设计检验统计量,提高信号活动性检测器的性能。(3)本文进行了卷积神经网络算法的改进,引入了混合域注意力的创新点。注意力的引入可以使卷积神经网络更加智能化,来改进表征不足的问题,因此这一算法将有助于在复杂的背景中识别检测频谱的活动性。与其他三种常用的信号检测算法进行对比,仿真结果表示,ACM-SAD算法可以在检测概率、误警概率和ROC曲线中展现出较好的检测效果。