传统的频谱管理模式是将固定的频谱资源给固定的授权用户使用,其他用户不可以使用该固定频谱,造成频谱资源的浪费。为了提高频谱资源的综合利用率,认知无线电技术被提出,它是一种高效的频谱资源管理与动态分配技术,是认知无线电中的基础技术。本文研究的主要内容就是使用深度学习领域的理论与算法解决频谱感知问题。一方面,针对单用户频谱感知问题,本文通过一种简单堆叠的方法构造信号特征,根据现有卷积神经网络改进方法,选取增加网络深度的残差神经网络和增加网络宽度的Inception网络两种网络模型,训练频谱感知分类器。另一方面,由于多个次用户协作的频谱感知算法在收集数据信息时所需要的代价是非常昂贵的,提出一种次用户数量较少的协作频谱感知算法,利用堆叠重构思想使用少量次用户收集的数据构造信号特征,并将此特征作为残差神经网络和Inception网络两种网络模型的输入,通过训练网络得到协作频谱感知分类器。通过仿真实验发现,不管是在单用户频谱感知问题中还是少量次用户协作频谱感知问题中,与传统频谱感知算法相比,所提出的两种智能频谱感知算法的检测性能都有所提高,并且残差神经网络算法性能最优。由于残差神经网络的网络模型具有大量的参数,为降低网络参数量,减少网络训练中所需要的内存,进一步将残差神经网络与Inception网络进行融合,提出一种适用于频谱感知问题的融合算法,仿真实验表明该算法在降低算法参数量的同时,保持了优秀的算法性能。在单用户频谱感知问题中融合算法性能比残差神经网络算法性能有所下降,但是在信噪比为-18dB时,检测概率也可以达到89%。而在少量次用户的协作频谱感知问题中,融合算法与残差神经网络算法具有大致相同的检测性能,在信噪比为-16dB时,检测概率达到90.3%。