频谱感知的主要目的是在复杂的无线通信环境中精准且迅速地检测出频谱空穴,为非授权用户接入空闲的授权信道提供合理的途径。因此,频谱感知被普遍认为是认知无线电技术的基石。频谱感知问题本质上是对频段状态的判断。考虑到频谱感知技术发展所面临的低信噪比时系统精确度提升问题与恶意攻击时系统性能的稳定性问题,基于现有频谱感知技术,本文将机器学习中的聚类算法与频谱感知技术相结合应用,提出了多种基于聚类算法的协作频谱感知方法。其一,基于相关系数和聚类算法,提出了一种协作频谱感知方法。为了提高低信噪比(Signal-to-Noise Ratio,SNR)以及合作用户少的环境下的频谱感知性能,该方法首先采用了拆分重组(Decomposition and Recombination,DAR)与相关系数(Correlation Coefficient,CC)相结合的特征提取方法。随后,为了提高对感知分类结果的精度,该方法基于K-means聚类算法训练了一个分类器。这个分类器能将采集于未知环境中的信号特征准确分类,从而避免了传统感知算法中复杂的判决阈值推导。最后,在实验部分,该方法在合作用户少且噪声不确定度高的情形下,有效地提升了频谱感知性能。其二,提出了基于聚类算法的鲁棒协作频谱感知算法。为了应对更复杂的实际通信环境,以及对抗恶意用户对感知系统的攻击。本文采用软融合机制原理,提出了两种基于聚类算法的感知数据融合方案,分别是基于K-medoids聚类算法的感知数据融合算法,文中简称为DF-medoids算法;基于Meanshift聚类算法的感知数据融合算法,文中简称为DFMS-medoids算法。通过迭代的方式消除了恶意用对数据融合的影响,从而得到了真实的特征统计量。在此过程中不需要识别出恶意用户。进一步地,构造了两种基于聚类算法的协作感知(Cooperative Spectrum Sensing,CSS)框架。基于Fast K-medoids聚类算法的CSS框架与基于Mean-shift聚类算法的CSS框架。CSS框架用于感知环节,将最终得到的统计样本通过聚类算法进行非监督学习,分为成两类,从而实现频谱感知。在实验部分,给出了这些感知数据融合方法的性能,分析了聚类算法的分类效果。最后,验证了所提出的鲁棒协作频谱感知方法的性能。