随着空间信息网络的发展,接入的用频设备和支持的业务类型越来越多,可申请使用的频谱资源却越来越紧张,这对频谱资源的高效利用提出了更高的要求。当前,频谱感知技术作为认知无线电技术的核心,是实现频谱资源动态分配的重要基础。传统能量检测法作为卫星频谱感知常用手段,其感知性能与预先确定的噪声门限相关,当噪声不确定时,其在低信噪比环境中性能较差。而深度学习技术,受数据驱动,具有无需依赖先验信息的特点,为此,为提高卫星频谱感知能力,本文将深度学习技术引入到卫星频谱感知中,具体的研究内容和创新点如下:首先,针对传统基于能量检测的单星频谱感知性能受信噪比墙影响的问题,本文研究设计了一种基于深度学习的卫星频谱感知方法,利用时间卷积网络来削弱噪声不确定性的影响。先对接收信号和噪声采样处理得到相应的数据集,然后通过时间卷积网络对信号样本和噪声样本进行监督训练得到收敛的模型,以完成对样本空间特征的充分挖掘和学习,最后将收敛的模型用于支撑实时频谱感知,从而提高单颗卫星在低信噪比环境中的频谱感知性能。其次,针对重叠覆盖区内不同卫星间频谱感知性能差异大、卫星计算能力受限的特征,本文研究设计了一种基于深度学习的低复杂度卫星协作频谱感知方法。先设计一种融合卷积神经网络和长短时神经网络的频谱检测模型,通过优化训练使其可利用较少的模型参数实现较高的频谱感知性能;接着将训练好的该模型部署到重叠覆盖区卫星集合中的某一卫星上;然后其他卫星通过星间链路将频谱感知数据传输到部署模型的卫星上,由其进行融合检测,从而在无需集合内卫星都具有一定计算能力的前提下,实现频谱感知性能提升和模型部署复杂度降低。最后,考虑仅感知频谱占用状态难以有效支撑电磁频谱空间安全掌控和辨识干扰的需求,结合深度学习技术,本文设计了一种基于图像识别的卫星频谱干扰检测方法,可实现对底噪起伏、单音和宽带等干扰的识别和检测。此外,融合频谱认知技术,设计了卫星频谱认知演示平台,并通过实时采集天通一号卫星下行2170MHz-2200MHz频段的频谱数据进行了验证,所设计的功能模块能够在构建的平台上可靠运行。