多带频谱感知技术面临宽带采样的压力,需要通过压缩感知理论进行欠采样,然后再获得频谱使用情况。它主要有可靠性、有效性和实时性的要求。传统的模型驱动的算法在信号先验知识的探索以及最优化算法的应用上取得了长足的进步,但是在信号与模型不完全一致的情况以及低信噪比环境（本文定义为0d B以下）下性能不尽如人意。机器学习兴起以来,数据驱动的算法在许多领域都取得了巨大成功,本文选择一些较为成熟的模型应用在多带频谱感知上,极大提升了算法性能。又因为不同频率支撑集的通信信号之间相关性弱的原因,纯数据驱动的算法需要大规模同分布的训练集,这影响了实际应用。本文认为数据与模型双驱动的算法可以很好地结合两者的优点。本文研究了典型的双驱动算法,又从图像领域的成果获得借鉴,提出了最优深度先验框架下的多带频谱感知算法。首先,本文给出了多带频谱感知研究的信号模型,讨论了具体的三种感知指标。然后,选择稀疏贝叶斯类算法作为模型驱动的典型算法。一个例子是更注重挖掘信号块稀疏特点的模式耦合稀疏贝叶斯算法,它使用了稍复杂一些但更贴近块稀疏特点的模型。另一个例子是快速稀疏贝叶斯算法,它使用一般的概率模型,但是通过松弛技术解决了运算复杂度大的问题。仿真结果表明,这两种算法都可以在一定的信噪比下准确恢复支撑集,快速算法由于作了一定的近似,性能稍差一些。本文还在实际采样得到的通信信号上作了验证。其次,因为模型驱动的算法性能不能满足频谱感知的要求,本文继续研究了数据驱动的算法。所谓数据驱动即完全使用神经网络完成从信号到支撑集的映射,网络的参数都是根据数据以损失函数最小化为目标训练而来。在压缩感知的思路下,本文选择自编码器作为模型的基本部分。在监督学习的前提下实现了信号的压缩和支撑集恢复。本文还在匹配滤波思想的启发下引入了一维卷积神经网络,进行滤波和降噪。仿真结果表明,数据驱动的算法获得了较大的性能提升。尤其值得注意的是,当训练集稀疏度大于测试集时,算法仍然可行,并且如果训练集信噪比低于测试集,那么会有一定的性能提升。以上特点对实际应用十分有利。最后,由于数据驱动的算法需要大规模训练集,增加了训练的复杂度和应用的难度,本文研究了数据与模型双驱动的算法,对二者的优点进行综合。首先以经典的软阈值迭代算法及其机器学习版本为例,分析了应该如何将模型驱动的算法展开为双驱动算法。然后,将图像处理领域获得成功的最优深度先验框架应用在多带频谱感知上。该框架仍然从概率模型出发,用神经网络提取先验信息,然后解决各种信号处理任务。本文进行了针对性的推导,修改了损失函数,并且通过特征值分解的方法解决了影响算法复杂度的问题,最终提出了最优深度先验框架下的多带频谱感知算法。仿真结果表明,算法性能比数据驱动的算法稍有下降,但是仍然显著高于模型驱动的算法,并且极大缩小了支撑集规模,有效降低了算法复杂度。