在认知无线电系统中,宽带频谱感知技术发挥着重要的作用,与之相关的各类方法层出不穷。宽带信号携带了丰富的时域信息,实际应用中在频域往往具有稀疏性。如何有效地提取宽带信号的时频特征仍是频谱重建与感知的难点。为提高宽带频谱感知的性能,该文采用互质采样方法与深度学习思想结合的方式进行研究,研究内容包括以下三个方面:首先,为重建宽带频谱,降低构建宽带频谱感知模型的难度,设计了基于复数卷积的深度迭代网络。以交替方向乘子法求解目标函数,采用深度展开方法将算法迭代过程展开为多模块、多层次的网络结构,通过其中一维卷积与非线性映射层构成的迭代算子模块,完成宽带频谱重建任务,达到提高频谱感知准确率的目的。其次,为提高频谱重建准确度,减少网络训练过程中存储资源的占用,设计了基于复数卷积的深度复值神经网络。将欠采样后的复信号输入到深度复值神经网络中,引入残差连接,在网络的前后端卷积层之间进行信息后传,通过相关运算得出复信号频谱重建结果。通过该网络得到欠采样前后复信号在频域对应子带之间的映射关系,提高频谱重建精度。此方法可重建互质采样后的宽带信号频谱,并提高频谱感知的检测概率。最后,为提高网络的检测性能,引入自注意力机制和深度检测网络,构建宽带频谱感知网络。该网络通过多个一维卷积运算和其他相关运算,利用宽带信号序列内部采样点的相关性,得到输入信号内部各采样点的权重,将加权输入信号输入到深度检测网络进行频谱感知。此方法获得了更快的宽带频谱频谱感知速度,提高了宽带频谱感知的准确度。