随着人们对移动通信的需求不断增长，频谱资源的分配就变得越来越困难，而认知无线电技术可以解决这一难题。频谱感知作为认知无线电技术的关键，其目的是检测频谱空穴。传统的频谱感知只能对单个频段进行感知，为了提高检测效率，出现了宽带频谱感知技术。在对宽带信号进行感知时，极高的采样速率成为了限制这一技术的瓶颈，利用压缩感知方法可以解决这一难题。贝叶斯方法是近些年提出的一类压缩感知算法，它可以利用不同的先验概率灵活地构建稀疏信号的恢复模型，还能给出恢复信号的误差范围，具有优越的性能。因此本文的重点就是适用于宽带频谱感知的贝叶斯压缩感知恢复算法研究。本文首先介绍了贝叶斯建模的过程，然后对使用拉普拉斯先验的压缩感知算法进行了改进，提出了一种快速算法——L-BSC算法，并给出详细流程。同时，本文将一种在贝叶斯框架下的自适应观测矩阵设计方法与提出的快速算法结合在一起，得到一种自适应的快速算法。仿真结果表明，这种自适应的快速贝叶斯算法不但在恢复一般信号时性能良好，应用于宽带频谱感知场景时也能获得很高的频谱重构精度，具有优良的频谱检测性能。因此认为该算法性能良好，适合应用于宽带压缩频谱感知中。考虑到宽带频谱感知中频谱分配造成的频域块稀疏结构，本文引入了块稀疏贝叶斯学习（Block Sparse Bayesian Learning, BSBL）框架，并介绍了两种基于该框架提出的算法。在此基础上，本文提出了一种将BSBL算法和group lasso方法相结合的算法——BSBL-Group Lasso算法。该算法大大减少了迭代次数，提高了执行效率，并且保证良好的算法性能。为了解决某些时候不能获得信号块分布情况的问题，本文扩展了BSBL框架，得到一种应用于信号块分布未知情况下的模型，并在此基础上对算法进行了改进，得到了BSBL-EEM和BSBL-EBO算法。仿真结果显示，BSBL-Group Lasso算法在恢复块稀疏信号时可获得较高的恢复精度，在宽带压缩频谱感知中可获得优良的检测性能。而BSBL-EEM和BSBL-EBO算法在信号的块分布未知的情况下，即使用户定义的分块情况与实际信号不一致也可获得很高的恢复精度，应用范围很广。