动态频谱聚合、机会使用其他业务空闲频谱资源的重要前提是不能干扰授权用户的正常通信。这首先需要对某固定频段进行实时频谱感知,即通过对此频段不间断的搜索、判别与分析,实时检测授权用户是否正在使用该频段,如果正在使用,进一步提取其信号的调制方式、频率以及带宽等特征参数,从而全面评估此频段频谱的特性及频率占用情况,找出适合通信的“频谱空洞”,在不影响已有通信的前提下伺机工作。其中授权用户信号的频率估计是整个频谱感知过程的重要环节,它的正确与否直接反映了授权用户对频谱的使用情况,从而客观地描述了此频段频谱的利用率。然而由于受到信号参数时变性、地理位置、传输距离等因素的影响,数据的小样本、低信噪比(Signal-to-Noise Ratio, SNR)特性很大程度上制约了频谱感知的性能。统计学习理论(Statistical Learning Theory, SLT)是一门专门研究小样本情况下机器学习规律的理论,它的出现为解决数据的小样本、低SNR问题带来一定的契机。支持向量机(Support Vector Machine, SVM)作为其具体实现方式,充分体现了结构风险最小化(Structural Risk Minimization, SRM)思想的精髓。它具有较好的泛化能力、高维处理能力和非线性处理能力,并且能够克服人工神经网络等机器学习方法存在的模型过拟合以及算法存在局部极小值等一些难以解决的具体问题。本文将SVM应用于频率估计相关问题的解决,重点针对基于离散Fourier变换(Discrete Fourier Transform, DFT)和基于相位频率估计算法,以及线性调频信号和Gaussian噪声条件下的频率估计问题等方面展开研究,并最终给出了基于SVM的频谱感知系统设计方案。主要工作和创新点如下：1.针对基于DFT的频率估计算法存在计算量与估计性能之间的矛盾,本文将最小二乘支持向量机回归(Least Squares Support Vector Regression, LS-SVR)看成一个线性内插器,同时将内插范围缩小到已知离散幅度谱最大值左右相邻两根谱线之间,提出了一种基于LS-SVR的DFT内插频率估计算法。2.针对影响基于相位频率估计算法的两个主要因素：相位噪声模型的近似性和相位解绕过程的不正确性,本文从接收信号实际相位与时间序列之间存在的线性关系出发,充分发挥SLT对小样本数据良好的学习能力与泛化能力,提出一种基于支持向量机回归(Support Vector Regression, SVR)的相位解绕与频率估计算法。3.针对噪声分布未知条件下的频率估计问题,本文从SLT出发,利用调制信息的有限字符集特性构造关于频率的SRM函数,将参数估计问题转化为求分类问题的极值,从而提出一种基于最小二乘支持向量机分类(Least Squares Support Vector Classification, LS-SVC)的星座图频率估计算法。4.针对线性调频信号实际相位与时间序列满足的二次关系，本文选用二次多项式核函数完成相位解绕过程。并利用SVR较强的非线性处理能力,准确估计线性调频信号的瞬时频率(Instantaneous Frequency, IF)、瞬时频率变化率(Instantaneous Frequency Rate, IFR)以及初始相位。5.针对国家科技重大专项“新一代无线宽带移动网”的子课题"IMT-A频谱聚合技术研发”中频谱感知的需求,本文设计了基于SVM的频谱感知系统设计方案。