频谱感知是高效利用频谱资源的关键技术之一,具有重要的研究价值。课题来源于某军认知通信抗干扰预研项目,深入研究了机群认知通信算法,在研究过程中发现,次级用户数量越多（项目中协作机群规模越大）协作频谱感知的准确性越高,但会导致感知数据维数增高、数据处理开销增大的问题;此外,由于热噪声、数字信号处理过程产生的量化噪声等造成的噪声不确定性会导致协作频谱感知精度下降。针对次级用户数量增加导致感知数据维数增高、数据处理开销增大的问题,本文设计了一种将高维能量向量转化为恒定二维向量的映射算法。该二维向量中的数据可以表征原始数据属于某种信道状态的概率,因此称为“概率向量”。本文研究对比了概率向量和能量向量在不同算法中的性能表现,通过该映射算法将高维能量向量转化为二维概率向量后,分别使用K-Mediods和模糊支持向量机对数据进行训练和分类。着重对比将概率向量和能量向量应用于两种算法时,训练阶段和分类阶段的时间消耗。仿真结果表明,对于同一种算法,当次级用户数量为16时,采用概率向量比采用能量向量消耗的时间更少:训练持续时间降低31%以上,分类延迟降低12%以上。针对噪声不确定场景下,各个次级用户对数据融合的贡献程度出现偏差导致感知精度下降的问题,本文提出了基于粒子群优化神经网络（PSO-BP）的加权协作频谱感知算法。该算法采用PSO-BP优化各个次级用户的权重系数,通过仿真实验对比研究了该加权协作频谱感知算法和信噪比加权协作频谱感知算法,结果表明,无论使用概率向量还是能量向量,该加权协作频谱感知算法都具有更加优良的检测性能。同时,对于该加权协作频谱感知算法,采用概率向量的迭代次数比采用能量向量更少,以16个次级用户为例,迭代次数减少40%以上。