2019年5G的商用，标志着我国正式步入5G时代。无线通信技术对社会经济的影响越来越大，新一代移动通信网络的推出将极大的改变人们的生活和生产方式。然而大容量的信息传输需要占用的频谱越来越多，导致频谱需求量日益增多，现有的静态频谱分配方式已经很难满足未来无线通信的需求。为了解决频谱资源的缺乏问题，认知无线电技术提供了一种可行的解决方案，其通过对无线通信环境中的目标频段实时监测，让次级用户利用空闲频段进行信息传输，充分的利用处于空闲状态的频谱资源。对目标频段进行频谱感知是判断次级用户是否能够接入频段的先决条件，因此本文围绕频谱感知技术进行应用研究，着眼于低信噪比条件下频谱感知性能不足和检测延时问题。鉴于XGBoost（eXtreme Gradient Boosting）算法具有强分类性，对噪声等干扰因素有很好的容忍度，具有较强的泛化能力和良好的计算性能，将XGBoost算法引入到低信噪比环境下频谱感知问题的解决方案中，在基于XGBoost的频谱感知算法中，从信号循环谱和信号协方差两种特征以及模型参数优化角度进行研究。论文的主要创新点和研究工作如下：
　　1.鉴于低信噪比环境下噪声等因素对频谱感知性能的影响，提出了一种基于XGBoost和循环谱的频谱感知算法。基于信号循环谱来提取样本特征，提出两种样本特征提取方案：一，使用主成分分析对循环谱能量最大的循环谱向量进行降维处理，使用降维后的循环谱向量作为样本的特征；二，提取循环谱能量最大的循环谱向量的均值、方差、最大值和最小值作为样本的特征。生成训练样本集和测试样本集。使用训练完成的XGBoost算法对测试样本进行频谱感知。实验结果表明:基于XGBoost和循环谱PCA（Principal Component Analysis）的频谱感知算法（方案一特征）在低信噪比处检测概率优于基于XGBoost和循环谱特征的频谱感知算法（方案二特征）；基于XGBoost和循环谱的频谱感知算法的检测性能优于基于GBDT（Gradient Boosting Decision Tree）和循环谱的频谱感知算法；基于XGBoost和循环谱的频谱感知算法和基于GBDT和循环谱的频谱感知算法的检测概率均明显优于传统循环平稳特征算法。
　　2.针对基于循环谱的检测算法计算复杂度高的问题以及传统协方差矩阵检测算法的渐进门限问题，提出了一种基于XGBoost和协方差特征的频谱感知算法。该算法无需计算检测门限值，利用基于接收信号协方差矩阵检测算法的检测统计量作为特征构造出特征向量，生成训练样本集和测试样本集，然后使用训练样本对XGBoost算法进行训练得到频谱感知分类器，最后利用分类器对测试样本进行频谱感知。仿真结果表明，所提频谱感知算法相较于基于XGBoost和循环谱的频谱感知算法有更高的检测概率和更低的感知时间；所提频谱感知算法比SVM（Support Vector Machines）算法、GBDT算法和最大最小特征值算法的检测概率更高，并且本文算法训练时间测试时间总体优于对比算法，具有良好的性能。
　　3.鉴于模型的参数对XGBoost算法性能的影响，提出了一种基于量子粒子群优化的XGBoost频谱感知算法。使用量子粒子群算法（Quantum Particle Swarm Optimization，QPSO）对XGBoost算法的重要超参数进行优化，仿真结果表明，基于QPSO-XGBoost（Quantum Particle Swarm Optimization-eXtreme Gradient Boosting）的频谱感知算法相较于基于PSO-XGBoost（particle swarm optimization-eXtreme Gradient Boosting）的频谱感知算法、基于XGBoost的频谱感知算法拥有更好的检测性能。