如今,各种依赖无线传输的新兴应用不断呈现,对频谱资源的需求不断增加。与此同时,传统静态频谱分配策略导致大部分的授权频谱并未得到充分利用。因此,存在频谱频谱资源紧缺与频谱资源浪费之间的矛盾。为了解决这个问题,随着深度学习的发展,神经网络的相关技术越来越成熟,其具有非线性、自适应、高容错、高速并行、自学习等优点,频谱智能技术相应被提出,其允许从用户接入主用户授权频谱的同时,不干涉主用户的正常通信,从而有效提升频谱资源利用率,一定程度上缓解资源紧缺与频谱资源浪费的矛盾问题。本文基于深度学习来设计频谱预测策略,其通过分析历史频谱占用数据,实现提前预知未来频谱态势,所设计频谱预测策略主要包括自适应门限的频谱量化和种离线-在线联合频谱预测两个模块。具体而言,考虑到实际情况中频谱内的噪声随机性影响,为了将功率谱密度准确的转化为占用状态,提出了一种基于自适应门限的频谱量化方案对频谱数据进行预处理。在该方案中,不同信道的功率谱密度被独立分析,通过核密度估计法对每个信道的平均噪声功率进行估计,根据噪声波动幅度为每个信道自适应设置判决门限,提高量化结果的准确性。考虑到频谱本质上是时间序列的特性,本文使用了循环神经网络中的长短时记忆网络作为模型,对模型的激活函数、损失函数、优化算法等细节进行了分析和设计,并通过网格搜索和交叉验证相结合的方法对模型的超参数进行了评估和优化,构建了基于长短时记忆网络的频谱占用状态预测模型,实现了未来频谱占用状态的实时预测。此外,考虑到实际情况中频谱的态势可能会随着时间推移而发生变化,神经网络模型本身并不能对这种变化进行自动调节,因此本文还提出一种离线-在线联合频谱预测方案。在该方案中,模型的平均正确率被实时监控,当该值低于预先设置的最小正确率门限时,主动收集最新的频谱数据并重新对模型进行训练和评估,实现对频谱态势变化的识别与自适应。实验结果表明,相比于传统的固定门限量化方案,所提出的自适应门限量化方案能够有效的消除噪声随机性带来的影响,将功率谱密度值准确的量化为频谱占用状态,为下一步神经网络模型的设计提供可靠的数据,避免由于错误的量化结果带来的模型性能损失。通过使用经过预处理的频谱数据对构建的长短时记忆网络频谱占用状态预测模型进行训练和超参数设计,实验结果表明,该模型能够对未来频谱占用状态进行有效的预测,且模型的性能总是优于基于固定门限量化方案的基线模型。最后,为了验证所提出的离线-在线联合频谱预测方案,本文根据原始数据集人工构造了一个新的数据集,在该数据集下的实验结果表示,该方案能够及时的识别频谱态势的变化,并自动使模型重新适应该变化,保证模型的平均预测正确率不会因频谱态势变化而逐渐恶化。