随着无线宽带通信的迅速发展和物联网的大规模应用，越来越多的设备需要分配无线频谱。这些设备对频谱的需求绝不是如今固定分配的移动通信和无线接入频率所能承载的。认知无线电是一项有效解决频谱资源利用率不足的技术，越来越多地受到国内外学者和研究机构的广泛关注。　　认知无线电中，协作频谱检测技术可以有效地提高系统的检测性能。但是也会由于干扰器、伪造数据、拒绝服务等安全威胁或深度阴影衰落等环境因素导致协作节点不可靠。一旦融合中心选择这些不可靠的节点进行数据融合，将严重影响判决结果的准确性。因此，如何有效地选择可靠节点进行数据融合是协作频谱感知中一个重要的问题。　　本文的主要研究场景为集中式协作检测，数据融合中心从协作检测的N个节点中选择M个可靠节点收集融合感知结果，并对频谱占用情况作出判决。本文在调查现有研究成果的基础上，采用加强学习算法的TD算法来实现可靠节点的选择。数据融合中心以最小化主用户干扰的同时，最大化频谱资源利用率作为目标函数，以上报结果与融合结果相符作为回报值进行加强学习，计算每个协作节点的适用度因子。数据融合中心从潜在协作节点中选择适用度因子排名较高的前M个协作节点作为数据融合的协作节点。本文在初始化场景中令协作节点在不同的应用周期有不同的漏警概率和误警概率。仿真结果表明，该算法可以较好的动态跟踪各协作节点的变化情况，选择漏警概率和误警概率较低的节点作为数据融合节点，并根据变化情况对进行数据融合的协作节点进行实时调整。本文还分析了“K out of N”数据融合准则中K值和N值的变化对系统漏警概率和误警概率的影响。在此基础上，提出通过系统的漏警概率和误警概率来调整协作节点数目M的方法。通过仿真结果可以看出，相比协作节点数目固定的情形，当协作节点数目变化时可以有效降低系统的漏警概率和误警概率，使集中式协作检测的检测性能满足系统要求。