在认知无线电网络中，压缩感知(CS)技术通过利用宽带频谱的稀疏性，将采样与压缩过程结合为一个整体，使得频谱检测能够以亚奈奎斯特采样率(sub-Nyquist)来采集宽带信号，对突破宽带频谱检测的带宽瓶颈具有现实意义。然而，CS重构算法的复杂性降低了频谱检测的实时性，且信号在无线通信过程中受到多径衰落、阴影衰落等影响，导致单节点检测难以满足频谱检测的准确性要求。本文针对压缩频谱检测算法准确性、实时性和复杂度的问题开展了研究，主要内容概括如下：　　第一，首先简单介绍了几种常见的单用户频谱检测算法，并针对单用户检测的局限性展开了对协作频谱检测技术的介绍。然后对CS的三个环节：稀疏表示、压缩观测和信号重构进行了分类描述，并对信号重构这部分基于稀疏贝叶斯学习的快速边缘似然最大化(SBL-FMLM)算法做了重点介绍。在此基础上，阐述了分布式压缩感知(DCS)的联合稀疏模型和联合重构算法。　　第二，针对认知无线电中传统的宽带压缩频谱检测算法计算复杂度高、检测实时性差的缺点，给出了基于分布式压缩感知信道能量观测差值的宽带协作频谱检测算法。该算法结合了差分处理和直接重构信道能量两种方法，使得计算复杂度大幅下降。同时针对单点检测的缺陷，采用分布式压缩感知系统进行多节点协作检测。所提的算法通过降低被处理信号的稀疏度来减小计算复杂度，大大减少了检测时间，并且提高了检测性能。　　第三，单节点的宽带压缩频谱检测算法存在检测准确性低、实时性差的缺点，因此提出了基于多测量向量块稀疏贝叶斯学习-快速边缘似然函数最大化(Multiple Measurement Vector(MMV) Block SBL-FMLM, MBSBL-FMLM)的宽带协作频谱检测算法。该算法采用了DCS系统进行多节点协作检测来充分利用空间分集；另外，融合中心结合 MMV模型和宽带信号的块稀疏结构得出多测量向量块稀疏贝叶斯学习(MBSBL)框架，并利用快速边缘似然函数最大化(FMLM)方法进行了快速参数估计。数值分析表明，MBSBL-FMLM算法的检测概率、归一化均方误差、检测时耗均优于SOMP算法。