随着空间信息网络的快速发展,用频设备种类和数量日益增长,将面临可用频谱资源不足的问题。在空间信息网络中实现频谱共享可有效缓解可用频谱不足的问题。然而,卫星的在轨高速运动,会使得空间信息网络中频谱共享场景非常复杂,且具有很强的动态性。为此,基于卫星实时频谱感知结果进行频谱共享可成为适应这种动态性的一种有效途径。但是,也会面临以下挑战:1)卫星感知数据海量,如何在不过多增加星地传输链路负担的情况下,将海量感知数据传输到信关站,以便后续处理;2)星地间传播距离远、时延大,频谱感知结果滞后,如何基于历史频谱感知数据,提前获取未来占用状态;3)可用频谱资源紧缺,如何基于所感知的频谱占用“态”和“势”,实现频谱资源的高效利用。当前,人工智能技术的快速发展,在各领域的应用日趋成熟,与传统方法相比,人工智能技术具有可基于统一平台实现快速部署的优点。因此,为提升卫星频谱数据的处理效率和能力,本文基于深度学习分别研究频谱感知数据重建、频谱占用状态预测和资源高效利用方法,主要研究工作和创新点如下:首先,为解决在不过多增加星地传输链路负担的情况下将海量感知数据传输到信关站问题,本文提出了一种称为联合异常数据修复和深度卷积神经网络的频谱数据重建方法。具体来说,所提方法允许卫星将所感知数据下采样后再传输到信关站,信关站首先利用频谱感知数据的低秩特性对所接收到的不完整数据进行预处理,然后构建深度卷积神经网络,并将其用于重建预处理后的频谱数据。实验结果表明,与传统基于压缩感知的重建方法相比,所提方法可取得更低的重建误差。其次,为解决如何在感知当前状态的基础上提前获取未来占用状态的问题,本文提出了一种基于深度学习的频谱占用状态预测方法来提前获得频谱态势。首先对所感知的历史频谱占用数据进行预处理,然后构建融合卷积神经网络和双向长短期记忆神经网络的预测模型,最后将预处理后的历史数据发送到该模型中,以提前获得未来频谱占用状态。实验结果表明,与传统的长短期记忆神经网络等相比,所提模型在预测准确性方面具有明显优势。最后,为解决如何基于所感知的频谱占用“态”和“势”实现频谱资源的高效利用的问题,本文研究利用深度强化学习技术进行频谱和功率资源的动态分配。通过无线频谱资源的高效利用和功率资源的优化分配,以抑制卫星对地面基站用户和地面基站对卫星用户所形成的同频干扰,从而最大化无线传输的信道容量。实验结果表明,与Q学习方法相比,可实现更高的信道容量,且在收敛速度方面有显著提高。