ارائه روش هایی مبتنی بر نمونه برداری فشرده به منظور کاهش حجم محاسبات پویش طیف پهن باند در شبکه های رادیو شناختی، موضوعی است که در این پایان نامه به آن پرداخته شده است. به منظور دسترسی به باند های فرکانسی بلا استفاده، کاربران ثانویه به طور مرتب طیف فرکانسی را زیر نظر دارند که این عمل پویش طیف نامیده می شود. در بهره وری های بالا از طیف برای دسترسی سریع به باند های فرکانسی خالی، پویش طیف پهن باند به عنوان روشی موثر مطرح می شود. یکی از بزرگترین چالش ها در این روش حجم بالای نمونه های مورد نیاز از سیگنال پهن باند دریافتی است که پیچیدگی محاسبات را افزایش خواهد داد. این افزایش حجم محاسبات به ویژه در حالتی که از یک بانک فیلتر شامل فیلتر های باند باریک به منظور جداسازی اطلاعات موجود در هر زیرباند استفاده کنیم تشدید می شود. یکی از راه های کاهش حجم محاسبات پویش طیف پهن باند، استفاده از مفاهیم نمونه برداری فشرده است. در این پایان نامه ابتدا با استفاده از نمونه های حاصل از یک بانک فیلتر متشکل از فیلتر های باند باریک، آشکار ساز های glr مناسب برای آشکارسازی در هر زیرباند را استخراج می کنیم. سپس به منظور کاهش حجم محاسبات، سعی می کنیم تا آشکارساز های glr مذکور را با بکارگیری فیلتر های پهن باند و استفاده از یک الگوریتم مبتنی بر نمونه برداری فشرده تحقق بخشیم. در این الگوریتم با استفاده از انرژی خروجی هر فیلتر و الگوریتم های بازسازی نمونه برداری فشرده، انرژی موجود در هر زیرباند استخراج و به کمک آن آشکارسازی انجام می گیرد. در ادامه با هدف بهبود عملکرد پویش طیف پهن باند با یک حجم محاسباتی پایین، الگوریتمی را ارائه می کنیم که ما را قادر می سازد تا اطلاعات موجود در هر زیرباند را مستقیماً با استفاده از نمونه های فشرده سیگنال دریافتی استخراج کنیم. سپس با استفاده از این نمونه های فشرده تفکیک شده، یک آشکارساز مناسب برای آشکارسازی در هر زیرباند بدست می آوریم. نکته اساسی در این روش تعیین ماتریس نمونه بردار به نحوی است که عملیات فیلتر کردن و آشکارسازی با استفاده از نمونه های فشرده با حد اقل خطا انجام گیرد. نتایج حاصل از شبیه سازی نشان می دهد که روش های پویش طیف پهن باند مبتنی بر نمونه برداری فشرده در حین داشتن حجم محاسباتی نسبتاً پایین دارای عملکرد قابل قبولی هستند.