طیف یک منبع ارزشمند در سیستم های ارتباط بی سیم است، ازاین روی با توجه به آنکه کاربران مجاز در استفاده از طیف فرکانسی خاص، ملقّب به کاربران اولیه، در تمامی اوقات از طیف اختصاصی خود بهره برداری نمی کنند، به این ترتیب در زمان های یادشده این فرصت برای کاربران ثانویه ای فراهم می شود که می توانند به بهره برداری مجدد از طیف بپردازند. لذا یکی از مهم ترین مقوله های رادیو شناختگر، سنجش فرصت های طیفی موجود و پیش بینی رفتار کانال می باشد. در این پایان نامه کوشش شده در ابتدا مفاهیم کلی رادیو شناختگر شرح و به تفصیل بیان گردد، سپس به الگوریتم های متفاوت سنجش طیفی پرداخته شده است، در راهکار پیشنهادی این پایان نامه، از روش سنجش انرژی به منظور دسترسی فرصت طلبانه ی طیفی استفاده شده است که در آن هر کانال در حوزه ی زمانی خود به دنباله ای از فریم ها، و هر فریم به دو زیرفریم یادگیری و زیرفریم دسترسی تقسیم بندی شده است. ساختار ارائه شده برای هر زیرفریم یادگیری، مجموعه ای از اسلات ها می باشد، که مدت زمان این اسلات ها باید به اندازه کافی از نظر زمانی کوتاه باشد تا کاربر اولیه بیش از یک بار در هر اسلات دچار تغییر حالت نشود. الگوریتمِ هوشمند بکارگرفته شده در زیرفریم یادگیری، مدل مخفی مارکوف است، که فعالیت کاربر اولیه برحسب فعال یا غیرفعال بودن آن در کانال، بعنوان زیرلایه های پنهان و نتایج سنجش انرژی بعنوان نتایج مشاهدات تفسیر شده است. در مقایسه های صورت گرفته، مادامیکه نرخ مدت زمان فعال و یا غیر فعال بودن کاربر اولیه مقدار کمتری به خود اختیار کند، مدل مخفی مارکوف با میانگین خطای مربعات قابل قبولی می تواند نرخ مدت زمان فعال و یا غیرفعال بودن کاربر اولیه را در هر فریم از کانال ردیابی نماید، همچنین در مقایسه های صورت گرفته هرچه تعداد نمونه برداری در هر تایم اسلات بیشتر باشد، نتایج خروجی مدل مخفی مارکوف، می تواند به خوبی به مقادیر واقعی نرخ مدت زمان فعال و غیرفعال بودن و همچنین نسبت سیگنال به نویز دنباله فریم های کانال، همگرا شود.