频谱感知作为认知无线电关键技术和研究内容之一,对于解决日趋紧张的频谱需求及高效频谱利用之间的矛盾具有重要的研究意义。本文针对传统频谱感知在实际环境中性能不足和实现条件的困难,研究探索将数据库和机器学习的方法应用到频谱感知技术领域,具体内容包括:在实际认知无线电网络环境中,由于多径损耗、无线传播环境复杂等现实因素,使得信号传播衰减严重,导致次级用户(Secondary User,SU)对授权频谱状态的辨识精确度不够,难以有效支撑SU对于授权用户(Primary User,PU)活动状态的准确判断,再加上阴影效应问题等,更容易造成SU对PU的干扰等严重问题。针对这些问题,基于机器学习方法,提出一种混合AdaBoost算法以实现合作频谱感知。该算法利用SVM作为第一个子分类器,同时以单层决策树作为其余的子分类器。各个子分类器的权重由各自的分类性能决定,分类性能越好的分类器权重越高,最后根据各个分类器的权重形成最终的分类器,在整体上有效增强分类器性能,提高频谱检测概率,更好地保护PU不受SU干扰。针对传统频谱检测算法性能有限以及SU为了保证检测效果,导致实现成本过高等问题,提出一种基于地理指纹数据库的频谱感知方案。该方案利用基站参考信号到达SU的时间估值建立无线指纹数据库。SU在检测PU信号前,周期性地上报当前位置的指纹信息,网络端利用指纹匹配机制锁定SU所在的地理位置,并据此读取该处对应的PU授权频段可用状态,以控制SU的进一步操作,即接入PU频段、检测PU频段或不接入PU频段,此感知方案在保证感知性能的基础上,可大大简化SU终端的感知过程,减少大量不必要的感知操作,显著降低SU在感知过程中的能耗。此外,还引入机器学习和联合网格预测,进一步提高该感知机制的感知性能。