频谱资源作为无线通信中的关键性资源,因其稀缺性已成为各国战略竞争与博弈的热点。为了提高频谱资源的利用率,认知无线电技术逐渐兴起,通过非授权用户机会式接入授权频段的方法实现了频谱资源的二次利用。在认知无线电中,非授权用户需要在接入前利用频谱感知来判断授权用户有无使用目标频段,从而避免对授权用户通信带来干扰。因此,如何提高频谱感知的准确率成为了认知无线电中的研究重点。近些年取得迅猛发展的深度学习技术,在海量数据的特征提取与分类问题上展现了其优越的性能。本质上来说,频谱感知可以归为利用大量信号样本以区分授权用户信号在与不在的二分类问题,故深度学习技术在频谱感知领域具有巨大的应用潜力。本文对基于深度学习的频谱感知技术展开研究。首先分析现有频谱感知技术遭遇的难点与挑战,并就深度学习在频谱感知问题中的应用展开思考。接着,本文就当下通信网络常见的宽带系统中的感知问题,提出一种基于深度学习的多带联合感知算法。该算法构造多带协方差矩阵阵列作为输入,利用卷积神经网络以学习现有算法忽略的子带间相关性信息,并将其用于频谱感知。实验结果表明所提算法相较现有的感知算法存在明显的性能优势。紧接着,本文研究正交频分多址（Orthogonal Frequency Division Multiple Access,OFDMA）系统下的子载波占用检测问题,提出一种基于深度学习的OFDMA子载波占用检测算法。该算法基于接收信号来构造多载波协方差矩阵,进而对能量信息,天线间相关性信息以及子带间相关性信息进行综合表征,接着借助卷积神经网络来学习上述特征。本文同时研究该系统下由于采样点数不足而导致的感知性能下降问题,提出一种利用部分天线构建协方差矩阵的方法,来提高该场景下的感知性能。最后,本文通过仿真实验证实所提OFDMA子载波占用检测算法的性能优越性,并证实所提利用部分天线构建协方差矩阵的方法可有效提高低采样点数场景下的感知性能。