当前,无线设备接入数量日益增加,频谱资源愈发紧张。然而许多已经授权频道的频谱利用率非常低,而且许多时间该频道都是空闲的状态,并没有被授权用户所使用,这就造成了频谱资源的愈发紧张。为了解决频谱资源的利用问题,认知无线电由此被提出。而频谱感知是认知无线电的首要任务,通过找寻并确定空闲频谱将其分配给尚未授权的用户使用,从而提升频谱利用率。信号分离技术可以有效的去除噪声影响从而提高感知性能,而主成分分析也经常用于信号处理方面。同时,近些年由于机器学习的发展,将机器学习结合信号处理的方法应用在频谱感知上也成为了一个值得深入研究的问题。本文利用信号分离和主成分分析去除噪声的特性,对信号特征的提取进行了研究,并结合机器学习的方法实现频谱感知,提高在低信噪比条件下频谱感知的检测性能。主要的工作和研究内容如下:首先对认知无线电和频谱感知的背景和意义进行了简单的介绍,然后总结了目前的研究现状和一些成果。对一些经典的单用户和多用户频谱感知技术做了简单的介绍,根据单用户感知的一些缺点,进一步讲述了多用户感知和它的两种合并准则,分析总结了它们之间的优缺点。然后介绍了一些其他的频谱感知技术,从而改进频谱感知模型,提高检测性能。本文通过采用信号分离的去噪以及分解作用,将其引入到接收前端,对接收的信号进行处理,再到感知端进行频谱感知。对分解后的信号矩阵,结合乔莱斯基分解相关矩阵,提出了一种基于零空间追踪(Null Space Pursuit,NSP)和乔莱斯基(Cholesky)分解的提取特征的方案,再将信号特征通过k-medoids算法进行训练获得所需要的聚类中心,最后根据待感知信号特征与聚类中心的相似度计算实现频谱感知。理论分析和实验仿真表明,该算法解决了低信噪比检测性能不佳的问题,并且在相同噪声环境下,其检测性能要优于传统能量检测以及特征值检测的方法。为了进一步提高低信噪比下的频谱感知性能,本文提出了基于主成分分析(Principal Component Analysis,PCA)的两种频谱感算法。首先提出一种主成分分析和随机矩阵结合的特征提取方法,先将主成分分析应用在多天线系统的组合方案来提取信号主成分,再通过信号主成分矩阵提取相应的信号特征,最后通过k-medoids聚类实现频谱感知。然后提出一种主成分分析和信息几何的特征提取方案,根据信道是否被占用得到的感知数据存在统计特征的差异性,来对应统计流形是不同的点,然后根据流形上的几何处理方式来提取流形上的特征,最后再通过k-medoids聚类训练并测试实现频谱感知。仿真结果显示,在低信噪比的条件下,本文提出的方法有效地提高了频谱感知的检测性能。