认知无线电(Cognitive Radio,CR)是解决现有频谱资源分配不均衡和频谱利用率低等问题的一种技术,该技术中的频谱感知环节在认知无线电技术中扮演着重要的角色,然而传统的频谱感知算法存在对初级用户干扰大、感知时延高等问题。本论文围绕基于人工智能的认知无线电频谱感知技术展开研究,提出了基于改进粒子群k近邻(k-Nearest Neighbor,k NN)-支持向量机(Support Vector Machine,SVM)的非线性能量检测算法和基于多用户压缩感知的极度梯度增强(Extreme Gradient Boosting,XGBoost)协作频谱感知算法。论文的主要工作如下:(1)概述了认知无线电研究背景、频谱感知的研究现状以及面临的挑战,分析了频谱感知的基本理论和典型的频谱感知算法。(2)在基于机器学习的非线性能量检测系统中,提出了基于改进粒子群k NN-SVM的非线性能量检测算法。首先利用k NN的思想提取训练样本中的边界向量集,然后通过SVM训练生成决策函数代替能量检测算法的判决门限,较好地克服能量检测算法的检测性能受噪声功率波动、初级用户信号信噪比低以及采样点数过少的影响。仿真结果表明,所提算法可以有效改善能量检测算法的检测性能。(3)为了克服宽带信号的高采样率和单个次级用户频谱感知虚警概率高的缺点,提出了基于多用户压缩感知的XGBoost协作频谱感知算法。首先利用优化后的压缩感知中的观测矩阵对宽带信号低速采样并计算训练样本统计量,然后利用优化的XGBoost算法预测频谱状态,在融合中心中根据融合规则得到判决结果。仿真结果表明,所提算法可以有效提高协作频谱感知性能。