近年来随着无线通信的飞速发展,各种移动终端设备及各类应用服务相继涌现,无线用户数量急剧上升,对无线电频谱资源的需求也日益加剧。作为一种有限的资源,频谱资源的使用通常由各政府机构采用固定的频谱分配方式进行管理。随着多数的频谱资源已经分配给专门的授权用户(主用户),新的无线服务越来越难以获得可用的频谱资源,限制了无线通信的研究及发展。然而,实际测量表明,固定的频谱分配管理方式不仅减少了新的无线系统设备可用频谱资源数量,而且导致了频谱资源在时域及频域的低利用率。因此,亟需新的无线频谱资源管理方式来提高无线频谱资源的利用率,为日益发展的无线通信系统提供进一步的可用资源。由Mitola提出的认知无线电技术是一种能够提高有限频谱资源的利用率的非常具有应用前景的技术,可从根本上缓解日益严重的频谱资源紧张问题,满足大信道容量和高数据传送速率等通信技术发展的要求,被看作是无线通信中的下个“大爆炸”,已经成为无线通信领域内的一个研究热点,并受到越来越多的关注。认知无线电是一种能通过对其周围环境进行学习,实时调整其通信参数提供可靠的通信,并达到频谱资源的高效利用率的智能无线通信系统。其基本思想是频谱共享,所有的无线用户被分为主用户和次用户两类,次用户可以利用主用户未使用的频谱资源来进行数据通信。为此,次用户需要进行频谱感知以判断主用户是否正在使用其获得授权的频谱资源；只有当主用户未使用其频谱资源时,次用户才可以利用这一频谱资源进行通信,并根据频谱感知的结果调整相应的通信参数,达到有效的频谱资源利用。一旦主用户出现,次用户应当以较高概率做出正确的判断,并立即退出当前信道以减少对主用户造成的干扰。因此,准确高效的频谱感知是认知无线电技术应用的一个重要前提,频谱感知也成为无线通信的一个非常热点的研究领域。尽管学者们针对认知无线电的核心技术频谱感知展开了大量的研究,提出了多种频谱感知算法,如匹配滤波法、循环平稳检测法、能量检测法、协作感知等。然而,一方面,现有的算法多针对高斯噪声下的检测,实际通信中,受环境及设备冲击特性的影响,次用户端的噪声多为非高斯噪声,此时,这些高斯噪声假设下的频谱感知算法的性能将大大降低；另一方面,受衰落、阴影及噪声不确定性等因素的影响,次用户不仅难以获得准确的噪声信号先验信息,而且其所观测到的主用户信噪比较低,且在很大范围内波动；此外,为提高认知网络所能达到的容量,次用户应当在较短的时间内就可达到一个很好的检测性能。而且,协作感知也带来了额外的感知流量开销和能量损耗。因此,频谱感知仍然面临许多挑战,需要大量深入的研究来解决这些问题,以推动认知无线电技术的发展及应用。本文主要针对频谱感知面临的上述难点展开研究。首先在前两章中介绍了认知无线电的模型、系统功能、网络结构等基础知识,并对频谱感知的研究现状、各种频谱感知技术、及频谱感知所临的难点与挑战进行了分析与讨论。随后,针对上述几个问题,我们分别提出了几种适用于不同场景、无需主用户信号任何先验信息的有效的频谱感知算法,主要取得了以下几个方面的研究成果：1)复高斯噪声中,噪声方差已知时的准确有效的基于能量的频谱感知算法：在第三章中,我们对现有的复高斯噪声中基于能量检测的频谱感知算法进行了介绍及分析,并提出了一种准确、有效的基于能量的频谱感知算法。现有的能量检测法的理论检测性能与实际检测性能之间存在着不可忽略的误差,进而影响相关的频谱感知优化设计。为解决这一问题,我们提出了一种准确有效的能量检测法,并根据其检测量在不同条件下的近似概率密度函数,推导出了其检测性能的理论表达式。大量仿真验证了我们所提出的能量检测法相对于现有能量检测法的优越性：首先,其理论检测性能与实际检测性能很好得吻合,验证了本文所给出的检测量的各种近似分布函数的有效性及相应的理论检测性能表达式的准确性,为频谱感知的优化设计提供了基础；其次,本章所提出的能量检测法在不同的信噪比、感知时间长度及预期虚警率等条件下的实际检测率明显高于现有的能量检测法,能够大大减少次用户对主用户造成的干扰,并提高频谱资源的利用率。2)基于样本协方差矩阵特征值的高鲁棒、盲频谱感知算法：针对无任何噪声先验信息可用的感知场景,我们在第四章提出了一种基于特征值的高鲁棒频谱感知算法。它无需任何主用户信号、信道及噪声的先验信息,是一种盲的频谱感知算法。次用户先对其观测到的信号进行归一化处理,计算其样本协方差矩阵的最大、最小特征值及两者的比值,并将其作为检测量；通过比较其与判决门限的大小来进行频谱资源使用情况的判断。其判决门限则是利用随机矩阵理论中最大、最小特征值的收敛分布定理,根据系统要求的虚警率来设置。归一化处理能够去除噪声中的脉冲成分,使得检测量的分布有利于频谱感知的判决。大量仿真验证了所提出的频谱感知算法的有效性及优越性。在非高斯噪声下,其频谱感知性能均大大优于现有的频谱感知算法,达到非常好的检测率和很低的虚警率,即能够同时提高频谱资源的利用率和减少次用户对主用户造成的干扰；在高斯噪声下,相对于现有的基于特征值的频谱感知算法,其检测率损耗仅仅约为0.5dB。3)基于少量噪声样本的快速、鲁棒频谱感知算法：当存在少量可用于感知的参考噪声样本时,为使次用户在较短的感知时间内就可达到较好的频谱感知性能,我们在第五章提出了一种基于K-S检验的快速、鲁棒频谱感知算法。其检测量为感知时间内的观测数据和先验噪声样本序列两者的经验累积分布函数的最大绝对差值。它无需任何主用户信号先验信息,只需少量的噪声样本序列就可在较短的感知时间内达到很好的检测性能。与能量检测法相比,高斯噪声中K-S感知算法的检测性能受噪声不确定性的影响甚微,能够达到系统的检测性能要求；在非高斯噪声中,其检测性能大大优于能量检测法。此外,相对于基于特征值的频谱感知算法,K-S感知算法能在较短的感知时间内就可达到很好的检测性能。4)基于不同先验噪声信息的高鲁棒、序列频谱感知算法：主用户信噪比的取值范围较大时,序列感知算法可以根据实际观测到的主用户信号信噪比做出一个快速的频谱资源使用状况判断。当信噪比较高时,次用户只需观测少量信号样本就可做出正确的判断,进而减少感知损耗。根据已知噪声先验信息的不同,第六章提出了两种高鲁棒的基于K-S检验的序列频谱感知算法。相对于其他序列感知算法,它无需任何主用户信号先验信息,即可达到一个比较快速、准确的检测性能,不但能显著减少次用户的感知消耗,而且能够达到高鲁棒的快速序列频谱感知。本文最后,我们对所做的工作进行了总结,并就下一步的研究方向及重点进行了展望。主要包括相关噪声下的频谱感知技术研究、协作频谱感知的优化问题及频谱感知的跨层优化设计等。