本文提出WhiteNet，一个用于鲁棒识别重叠IEEE 802.11信号的深度学习框架，重点解决信道变化导致的性能下降问题。现有基于I/Q样本的深度学习方法在训练和部署信道条件差异大时精度急剧下降。WhiteNet的核心是频谱白化预处理，基于物理原理抑制频率选择性衰落，同时保留协议判别特征。为了减少对多发射机空中捕获数据的依赖，作者设计了一个合成重叠混合器，包含物理准确的每发射机信道和共享接收机信号链，用于预训练而无需大量现场数据采集。在公开的空中IEEE 802.11数据上，WhiteNet在未见信道条件下显著缩小了精度差距，同时使用比现有技术少7.7倍的参数，并可选择蒸馏为紧凑变体以在功耗受限的边缘设备上实现粗粒度频谱感知。实验证明了方法的有效性。