移动互联网和物联网的迅猛发展直接导致有限频谱资源和需求攀升的冲突。与这一冲突相对应的是,传统的频谱分配方式下,已授权频谱在空间、时间和频率三个维度上都存在大量的频谱资源浪费,也就形成了频谱赤字日益严峻与频谱利用率低下这一基本矛盾。针对这一基本矛盾,认知无线电被引入并作为有效提升频谱利用率、缓解频谱资源短缺的一种核心技术。认知无线电的首要任务是频谱感知,在现有频谱环境下还面临数据来源不可靠、检测结果不准确、机会发现不充分和历史数据不完整等技术挑战。针对上述挑战,本文在系统分析认知无线电频谱感知数据特点基础上,从无线电通信与机器学习交叉融合的角度出发,开展面向时域的稳健合作频谱感知算法研究。主要研究内容如下:(1)系统地分析了单节点频谱感知与合作频谱感知基础的理论与方法。首先介绍了能量检测、匹配器滤波检测和循环平稳特征检测为代表的经典单节点频谱感知技术,并就各类方法的优缺点进行了分析。其次介绍了代表性的集中式和分布式合作频谱感知方法及其相对应的融合规则,并就各类方法的局限性加以总结。最后分析了基于机器学习的频谱感知方法,并就存在的挑战加以归纳。(2)针对频谱状态满足周期性及历史频谱数据存在先验信息的频谱感知问题,提出基于集成极限学习机的频谱感知算法。首先基于历史先验频谱感知数据,构建一系列极限学习机的频谱感知回归模型。然后,通过集成的思想融合上述不同频谱感知模型结果。最后利用融合结果确定频谱状态。仿真案例表明,这一感知模型不仅有效地提升了频谱感知性能,而且给出一类改进的集成极限学习机模型。(3)针对硬融合感知算法性能差和软融合算法复杂度高的局限性,提出基于聚类算法的软硬融合合作频谱感知算法。首先基于聚类算法实现感知信息分簇,然后对分簇信息构建软硬融合机制,最后通过其输出做出感知判决。相对于传统的硬融合及软融合模型,该算法兼顾了两者的优势,仿真结果验证了该算法的可行性和有效性。