近年来,无线通信技术不断发展,越来越多的通信设备需要使用无线频谱。目前,频谱作为一种宝贵且稀缺的资源,由国家进行统一分配和授权。但是,分配给授权用户的频段有相当一部分很少被使用。因此,现有固定的频谱分配策略已然不能满足日益增长的频谱需求,认知无线电(Cognitive Radio,CR)技术作为一种新的智能无线通信方式被认为能够有效解决频谱利用率低的问题。频谱感知(Spectrum Sensing)是认知无线电中的关键一步,其主要目的是在复杂的无线环境中准确、快速地检测出空闲频谱。从而,为充分利用授权用户不使用频谱的空闲时间提供基础。本文主要研究将机器学习中的聚类算法应用到认知无线电中的频谱感知。频谱感知问题可以被认为是一种二分类问题,即授权用户是否在正在使用授权频谱。基于现有频谱感知技术,本文提出了多种基于聚类算法的协作频谱感知方法。主要创新点如下:提出了一种基于K-means的协作频谱感知方法。为了在协作认知用户数量较少的情况下提高频谱感知性能,提出一种结合IQ分解和拆分重组(Decomposition and Recombination,DAR)的特征提取方法。该方法首先需要对认知用户感知到的信号进行特征提取,然后利用K-means算法进行离线训练,用以获得所需要的聚类中心,最后通过计算接收信号与聚类中心特征向量的相似度来实现频谱感知。整个过程分为离线训练和在线感知两个部分。离线训练阶段在不增加算法复杂度的情况下,能够有效克服经典特征检测算法对先验信息的依赖。在仿真部分,对比分析了不同频谱感知算法的性能,实验结果表明该方法有效的提高了频谱感知性能。进一步地,提出了一种基于Fuzzy c-means的协作频谱感知的改进方法,为了进一步提高协作用户数量少的情况下的频谱感知性能,提出一种拆分重组结合信息几何的特征提取方法。该方法将信号检测问题转化到流形上的几何问题,因此,可以用几何的方法直观地分析信号检测问题。最后使用Fuzzy c-means聚类算法进行离线训练和在线感知,实验结果表明该方法能在一定程度上提高频谱感知性能。进一步地,提出了一种基于K-medoids的协作频谱感知的改进的方法。为了提高低信噪比以及协作次用户数量较少的情况下的频谱感知性能,提出一种基于经验模态分解和拆分重组的特征提取方法。该方法首先对协作次用户感知到的信号进行EMD降低噪声处理,然后再对降噪后的信号进行拆分重组,从而在逻辑上增加协作次用户的数量,提高信号特征准确度。最后使用K-medoids聚类算法进行离线训练和在线感知。实验结果表明该方法进一步地提高了频谱感知性能。