认知无线电能够有效地缓解无线频谱资源日益紧张的问题,作为认知无线电的核心技术之一,频谱感知技术通过快速准确的检测授权用户以保障认知用户能够机会式地利用授权频谱。由于奈奎斯特采样定理的限制,现有硬件难以实现窄带频谱感知在宽带通信场景中的应用,因此,国内外学者将压缩感知引入宽带频谱感知,以远小于奈奎斯特采样速率的次奈奎斯特采样速率进行采样,降低宽带频谱感知对硬件的要求。基于贝叶斯理论的压缩感知在较为稀疏的场景以及盲检测环境中都有其独特的优势,本文以基于贝叶斯理论的压缩感知为基础,针对宽带频谱感知中的信号重建技术进行深入研究,通过引入先验信息与统计学习理论,提出高效、可靠的宽带频谱感知算法,为认知无线电在未来的应用奠定基础。本文的主要创新点如下:(1)分析了贝叶斯压缩频谱感知算法在迭代过程中基函数选取方面的不足,进而提出基于先验信息的贝叶斯压缩频谱感知算法,引入先验信息改进基函数的选取,并根据先验信息的不同,提出对应的改进算法。首先引入频谱预测,先验信息为频谱预测产生的主用户占用概率,提出基于主用户占用概率的贝叶斯压缩频谱感知,改进算法的初始化过程,加快算法收敛速度,从而减少冗余基函数的选取,减少信号重构时间,提升算法性能。仿真表明,引入主用户占用概率的算法相同信号重建精度的情况下,具有更低的信号重构时间,更好的抗噪性能。(2)以信号自身性质作为先验信息考虑,引入块稀疏信号主用户成块出现的结构性质作为先验信息,提出基于块稀疏信号结构性质的贝叶斯压缩频谱感知,改进算法的迭代过程,减少冗余基函数的选取,优化算法迭代次数,实现算法性能提升。仿真结果表明,引入块稀疏信号结构性质的算法,具有更高的检测概率与更低的信号重构时间。(3)在宽带频谱感知盲检测环境中,围绕稀疏度未知的问题,分析了贝叶斯压缩频谱感知算法中错误条对于自适应感知矩阵的意义,并利用错误条的性质,引入支持向量机,对错误条与采样率步长分类的关系进行学习,提出基于动态步长选择的贝叶斯压缩频谱感知,将逐步增加采样值的过程改进为动态变步长选择的过程,减少在盲检测环境中采样率调整时重构信号次数,优化算法性能。仿真表明,改进算法在稀疏度时变的情况下,能变步长动态的增加采样率,极大的减少重构信号的同时,保证频谱感知的准确率。本文的研究表明,基于贝叶斯优化的宽带频谱感知算法,能够更快速准确的检测授权用户,并且良好的适应盲检测环境。