近年来,无线业务的迅猛增长造成了无线频谱资源十分紧缺的局面。为了解决该问题,人们提出了一种基于认知无线电的频谱共享思路:让次级用户在不影响主用户正常使用的情况下与主用户共享授权频段。如果已知主用户信号的特征信息,主用户和次级用户就能更好地实现频谱共享。另一方面,随着计算机硬件水平的提升和数据的海量增长,深度学习已经成为当前的研究热点。本文将深度学习应用在认知无线电领域,利用深度神经网络分析主用户信号,促进频谱共享的应用和发展,缓解当前频谱资源紧缺的现状。本文首先介绍了认知无线电的背景、定义以及关键技术,同时详细阐述了深度学习及卷积神经网络。之后,论文给出了认知无线电系统接收端接收到的主用户信号表达式,设计了一系列适用于深度学习网络的数据预处理方式,并通过实验选择最佳的预处理方式作为本文的数据表达。接下来,论文讨论了主用户信号数字调制方式识别任务。基于卷积神经网络和预处理的星座图数据,训练得到了主用户调制方式分类器。该分类器和传统的基于高阶累计量和支持向量机的识别算法相比,一方面不需要手动提取特征,另一方面在低信噪比条件下获得了更高的识别精度。然后,论文研究到认知无线电系统中存在干扰信号的情况,设计了一种基于深度学习的信号干扰分析算法。该算法综合考虑多信号影响,不仅能够在干扰条件下识别出主用户信号,还能分析出干扰的调制方式。仿真结果表明,本文设计的算法在多种条件下均具有较好的性能。最后,针对主用户信号的信噪比估计任务,论文设计了一种基于深度学习的估计方法。该方法利用不同信噪比条件下星座图的不同样式来完成模型训练和结果推断。与现有的基于二阶矩四阶矩和信号变化率的估计方法相比,本文方法能够有效减小信噪比估计值的归一化均方误差。