宽带频谱感知技术是当前研究的热点问题,目的是在宽带的频谱中感知出未被占用的空闲频段,然而高采样率和硬件成本的限制使许多频谱感知算法无法应用于宽带频谱感知之中。压缩感知可以降低对采样速率的要求,是解决上述局限性的有效技术手段,但由于阴影和多径衰落等原因导致单节点的感知并不可靠,为提高感知效果,可以利用多节点的分布式压缩感知来提高感知准确度。在传统的利用分布式压缩感知解决宽带频谱感知问题的方法中,大多数方法需要预先知道信号的稀疏性,但在实际应用中信号的稀疏性无法预先获知。此外,许多传统方法对频谱支撑集的正确估计概率不高,所得结果并不是全局最优解。而且,大多数传统方法都是针对某一特定的信号场景提出,只适用于某些特定场景,不具备普适性。这些都是宽带频谱感知中亟待解决的问题。根据宽带频谱感知的研究现状,当前的宽带频谱感知问题主要受到高采样率的限制,并且具有频谱支撑集估计的准确率不高、感知算法的实时性不强、感知方法的普适性和实用性不好等缺点。针对上述问题,本文的主要研究成果如下:首先,本文对宽带频谱感知面临的问题进行了分析和总结。为了解决高采样率对宽带频谱感知任务的制约,根据压缩感知理论,建立了基于分布式压缩感知解决宽带频谱感知的模型。首先利用多个节点分别对信号进行压缩采样,并将数据传递到融合中心。在融合中心利用感知算法估计宽带频谱支撑集,完成宽带频谱感知。降低了采样率的要求和数据的传输成本,并且保证了感知的准确率。其次,提出了基于深度学习的分布式压缩感知重构算法。问题的核心是分布式压缩感知的支撑集估计问题。考虑到不同节点信号对重构结果的影响不同,本文基于深度学习和注意力机制理论,提出了基于LSTM和注意力机制的分布式压缩感知重构算法（LSTM-Attention model for distributed compressed sensing,LADCS）和基于GRU和改进注意力机制的分布式压缩感知重构算法（GRU-Attention model for distributed compressed sensing,GA-DCS）等算法。仿真表明,本文提出的LA-DCS和GA-DCS等算法的均方误差低于经典算法,重构性能更好。最后,提出了基于分布式压缩感知的非重构宽带频谱感知算法。各节点对宽带信号进行欠采样,并在融合中心进行联合感知。感知时,以提出的LA-DCS和GA-DCS等分布式压缩感知技术为基础,无需将原信号完全重构,只需估计出宽带信号支撑集即可。仿真表明,这里提出的宽带频谱感知算法的效果优于传统感知算法,这种算法的频谱支撑集估计准确度更高,感知效果更好。