随着各类型无线通信产品的出现和无线网络业务的爆发式增长,频谱资源变得日益匮乏。认知无线电技术(Cognitive Radio,CR)被认为是解决这一问题的关键技术。作为认知无线电技术的基础,认知设备需要具备实时的频谱感知能力,并对感知到的无线电信号进行分类和预测。在针对陌生无线电环境的频谱感知中,认知设备通常无法预先知道附近无线通信系统的类型和参数,因而也就无法获得这些无线系统的完备特征表达和带标签的信号训练样本等先验知识。为此,本文提出利用狄利克雷过程混合模型(Dirichlet Process Mixture Model,DPMM)来对频谱感知获得的无线信号进行分类。该模型不需要预先知道无线电系统的先验知识,能自主从感知到的无线信号中推断无线信号之间的联系。在基于DPMM模型进行信号分类时,本文进一步将其转化成了针对分类标签的后验分布求解问题,并借助变分近似算法,获得了该后验分布的近似解析解。通过求解最大后验概率,本文获得了每个感知信号的分类标签估计值,实现了信号分类。通过仿真对比可以看出,本文所提出的信号分类模型具有更快的收敛速度,同时又能将分类精度的损失控制在可接受范围内。在信号分类的基础上,本文还基于不同的预测准则设计了两种信号预测算法。第一种是均值预测算法,该算法考虑每个无线系统的信号特征,以下一时刻信号来自对应无线系统的概率做为权值,进行加权求平均获得信号预测结果;第二种是感知信号最大后验概率预测算法,该算法考虑下一时刻信号最有可能来自哪个无线系统,并以该系统信号特征的估计作为信号预测结果。针对第二种预测算法,本文还进一步推导出了信号特征估计误差的上界。基于这两种预测算法,认知设备可以提前对将被主用户系统占用的通信信道进行避让,从而节约信道切换开销。最后,仿真分析验证了本文所设计的预测算法具有较好的预测精度,并且显示随着感知到的信号样本增多,预测算法精度也在相应提升。