怎么满足快速膨胀的频谱需求是当下无线通信发展过程中亟需解决的一个关键问题。认知无线电是解决日益缺乏的频谱资源问题的有效方法之一，从首次提出就受到了各界的迫切关注。在认知无线电中，频谱感知是频谱分配和频谱决策的基础，只有在准确高效的频谱感知前提下，频谱分配和频谱决策才能进行，如果感知结果错误，那么将会对主用户造成严重干扰。本论文对认知无线电中的频谱感知进行研究，主要从以下几个方面进行研究：　　首先对传统的单用户频谱感知和多用户协作频谱感知中检测算法的性能进行分析和验证，在研究过程中发现多用户协作检测的性能受实际信道环境的影响更小。在协作检测中不同的判决方式对系统检测性能有不同的影响，在相同的信道环境下软判决准则优于硬判决准则。　　频谱感知中，受实际检测性能的要求限制，存在一定的约束条件。当求解问题不是凸函数时，最优解的求解过程复杂。为解决这一问题我们引入遗传算法和分布估计算法，这两个算法不受约束条件的影响，适用于多种优化问题。其中，分布估计算法通过概率向量更新种群，在一定程度上可以克服遗传算法中可能出现的局部最优和早熟问题。　　本文将遗传算法和分布估计算法分别引入到单频带协作频谱感知和多频带频谱感知中，首先对两种情况下的感知模型进行理论推导，然后在两种感知模型下对引入的遗传算法和分布估计算法进行Matlab仿真。在单频带频谱感知问题中我们主要讨论多用户协作下的频谱感知，通过对数据融合时各个次用户的权重系数进行优化，实现检测概率最大化的目标。多频带频谱感知中，我们从单用户多频带感知和多用户多频带感知两个方向进行讨论，主要目标是在对主用户的干扰和次用户的频谱利用率满足一定条件的情况下对权重系数和门限值同时进行优化，使得系统的吞吐量最大。通过仿真结果可以看出，遗传算法和分布估计算法在多种情况下都能很好的提高认知无线电网络的检测性能，适用于非凸感知问题的优化。而且，论文中引入的分布估计算法性能更稳定，在一定程度上克服了遗传算法中的早熟问题。