随着无线通信技术的普及,频谱资源日益紧张。如何提高频谱利用效率已成为学术界与工业界都在关注的问题。视频直播作为近年来兴起且流行的多媒体形式,受到了年轻人的喜爱。但是视频直播系统需要工作在一个高速率、低时延、低干扰的无线环境,这与频谱资源紧张的问题形成了一个严重的矛盾。频谱资源紧张容易造成频谱拥塞现象,频谱感知与动态频谱接入是解决频谱拥塞问题的一种有效途径。通过利用认知无线电或者深度学习,实现动态感知并接入频谱,达到缓解频谱拥塞的目的。本文以视频直播系统为研究场景,对基于认知无线电技术的频谱感知和基于深度学习的频谱预测实现的动态频谱接入技术进行深入研究,论文主要工作如下:首先,为研究视频直播场景下使用动态频谱接入技术解决频谱拥塞问题,本文设计了基于USRP RIO软件无线电平台的视频直播系统。首先,根据室内通信的环境条件,设计了视频直播系统的框架以及组成部件。系统以集中式网络为基础,包含了信息融合中心、家庭基站和用户。然后,阐述了各个组成部分所负责的功能与物理实现方式。最后,以系统流程图为参照,说明了视频直播系统的工作流程。其次,为研究使用认知无线电技术解决频谱拥塞问题,本文将物理层干扰协调与应用层干扰协调相结合,通过系统的控制模块统一调度频谱资源,从而实现非授权用户可以使用空闲频谱资源。首先,明确了基于双层干扰协调的视频直播系统与基础系统在系统组成以及系统流程上的区别。然后,详细说明了系统控制模块的核心策略:融合策略与调度策略。通过核心策略,系统既能够根据感知频谱选择空闲频谱资源,也能够根据用户服务质量进行资源自动调整,最终达到非授权用户在不影响授权用户的前提下,使用空闲频谱资源。最后,通过实验结果与数据分析,验证了在基于双层干扰协调的视频直播系统中,非授权用户可以高效地使用空闲频谱资源。最后,为研究使用基于深度学习的频谱预测解决频谱拥塞问题,本文使用长短期记忆神经网络进行频点预测并利用预测结果指导视频直播系统进行资源调度,从而实现非授权用户在无线环境中找到空闲频谱资源。首先,描述了基于深度学习预测的视频直播系统的系统组成以及系统流程。其次,说明了逐时隙场景与时间序列数据的特点。然后,阐述了长短期记忆网络与传统循环神经网络的区别。最后,通过实验结果与分析,验证了长短期记忆网络成功预测了频谱数据的趋势的同时,降低了视频直播系统的系统时延与负载。