频谱感知是认知无线电（CR）实现认知功能的重要环节之一。为了提高频谱利用率,深度学习频谱感知技术成为CR领域的重要研究方向。卷积神经网络（CNN）频谱感知方法作为代表方法之一,可完成高效快速的频谱感知任务。然而,CNN频谱感知方法仍面临着特征提取能力不足、网络结构有待优化、频谱感知精度有待提高等问题。针对上述问题,本文借助深度学习在图像处理上的优势对单节点、协作频谱感知方法进行了深入研究。针对CNN单节点频谱感知方法提取主用户（PU）特征能力受限于单路卷积网络结构且难以提取深层特征等问题,提出一种残差蜂窝网络（ResCelNet）,通过双路卷积提高特征提取能力,通过加和操作增强微小特征信息,通过残差学习训练深层网络,进而提出一种基于ResCelNet的频谱感知方法。该方法首先将次用户（SU）采样得到的接收信号等距分割成矩阵并进行归一化处理后转为灰度图像,作为ResCelNet网络的训练、测试数据,然后通过双路卷积和残差学习提取训练数据中的灰度图像特征信息,最后使用ResCelNet频谱感知网络对测试数据进行识别分类。针对CNN协作频谱感知方法提取特征能力受限于浅层的网络结构、深层网络又难以避免梯度消失等问题,通过在CNN频谱感知方法中引入快捷连接,训练深层且梯度不消失的网络,进而提出一种基于残差网络（ResNet）的协作频谱感知方法。该方法首先对多个SUs采样得到的接收信号进行协方差、归一化灰度处理,作为ResNet频谱感知网络的输入,然后利用残差学习训练ResNet,提取特征映射图的深层特征,最后使用ResNet对测试数据进行频谱感知。实验结果表明:当面向于单节点进行频谱感知时,所提ResCelNet方法优于CNN,SVM方法,在信噪比低至-19dB的情况下,所提方法的检测概率高达0.98、虚警概率低至0.1,且适用于不同衰落信道、不同调制方式、噪声不确定性;当面向于协作用户进行频谱感知时,在信噪比低至-19dB的情况下,本文ResNet方法的检测概率高达1.00、虚警概率低至0.01且解决了隐藏终端问题。