随着第五代移动通信系统的大规模商用,无线终端和设备呈指数级增长,造成频谱资源日益紧张,用频效率已成为制约无线通信技术发展的重要因素。频谱感知技术通过周期性监测目标频段的频谱使用情况,为认知用户机会性接入目标频段提供保障,可有效提高频率利用率。然而,目前单节点频谱感知方案存在隐终端、感知精度低、感知鲁棒性较差等问题。协作频谱感知技术可以有效缓解以上问题,然而其仍面临着低信噪比及采样点不足情况下感知性能差、节点异构且相关情况下的计算复杂度较高等问题。因此,研究强噪声、欠采样、节点异构、节点相关等复杂环境下精准频谱感知技术,将有助于进一步提高感知精度和感知效率,完善频谱感知基础理论,推动无线通信技术快速发展。为此,本学位论文开展认知无线网络中精准频谱感知技术研究,采用接收信号半自适应采样方法、人工智能技术和N-out-of-K近似模型,用以提升频谱感知精度,降低协作频谱感知复杂度。本文首先提出了一种接收信号半自适应采样的频谱感知方法,给出了单通道频谱感知最优采样点的解析解,同时设计了基于卷积神经网络-长短期记忆网络的环境信噪比评估架构,有效提升了强噪声环境下的频谱感知精度。其次,本文构建了目标频段观测信号二维数据集,研究了基于生成对抗网络的数据增强方法,丰富观测信号数据类型及规模。此外,本文提出了多种适用于频谱感知技术的深度神经网络架构,实现了复杂场景下目标频段高精度频谱感知。最后,针对异构网络下协作频谱感知判决门限计算复杂度较高的问题,本文提出了节点异构相关条件下的N-out-of-K近似模型,在保障较高感知精度的情况下大幅度降低了判决阈值的计算复杂度,并通过仿真实验验证了所提方案的有效性。本文的主要工作和创新总结如下:1.提出了一种基于接收信号半自适应采样的频谱感知方法,为单通道检测提供了最优采样点的封闭解,从而减小了总体错误概率。同时提出了基于卷积神经网络-长短期记忆网络的环境信噪比评估架构,该架构融合了深度特征和时间维特征,探讨了最优CNN和LSTM层数。结果表明,具有2层CNN和2层LSTM的网络可以获得较高的环境信噪比估计精度。同时,与经典的频谱感知方案相比,检测精度提高了约1dB。2.针对单节点频谱感知,构建了不同信噪比下接收观测信号的二维数据集,提出了一种改进的深度卷积生成对抗网络（DCGAN）,以扩大训练集,解决数据短缺问题。在增强后二维数据集的基础上,训练并优化了经典的LeNet、AlexNet、VGG-16等神经网络,并提出了一种新颖的神经网络架构CNN-1,以兼顾感知性能和感知复杂度。3.针对多节点协作频谱感知,在融合中心基于本地感知能量向量构建了二维协方差矩阵数据集,并在该数据集上训练、分析了三种基卷积神经网络（LeNet,AlexNet和VGG-16）的协作频谱感知方案。此外,将所提出的基于卷积神经网络的协作频谱感知方案与基于与、或、多数投票的协作频谱感知方案进行感知性能的比较。4.针对节点相关的异构认知无线电网络,建立了一种基于N-out-of-K规则的协作频谱感知方案的有效近似模型,给出了在融合中心的最优感知阈值的近似封闭表达式。然后,采用了测度论的思想对近似误差范围进行理论推导,结果表明近似误差对阈值计算产生的影响可以得到有效的控制。最后,给出了特殊情况下的数值仿真,并与已给出闭式解的精确算法进行了对比,其结果证明了所提出方案的有效性。5.设计了多种场景下的仿真实验,验证了所提方案的有效性。