频谱感知是认知无线电的前提,具有重要的理论研究价值。在实际的感知过程中,认知用户按照一定规则分布在二维空间中,各个认知用户与主用户的距离和相对位置有较大差异,导致各个认知用户接收到的信号有较大差异。而且实际通信信道内噪声并不是确定性噪声,每个认知用户的每个感知时刻内感知到的噪声有较大差异,这也导致了认知用户感知信号的复杂多变。传统的能量法并不能很好的解决空间分布和噪声不确定对频谱感知造成的影响。本文针对空间分布的认知无线电网络和通信信道噪声不确定的频谱感知问题,将支持向量机算法应用于频谱感知过程。多个认知用户将各自的感知数据提交给融合中心,融合中心统计得到特征向量,再使用支持向量机训练,得到频谱感知算法分类参数。针对噪声不确定性,使用Fisher准则找到使特征向量在特征空间中分离度最高的核函数参数。针对所有数据点对分类面“贡献程度”相同的问题,使用K-近邻算法求得用于模糊支持向量机训练的隶属度参数,将噪声和野点的权重降低。仿真结果表明:基于核空间优化和模糊支持向量机的合作频谱感知算法有效的提升了频谱感知性能。当认知用户的数目较大时,使用支持向量机训练的能量向量维数也随之增大,导致训练时间变长。针对此问题,本文研究了频段内存在多个主用户的情况下,使用多个主用户占用频段的概率作为特征向量的基于支持向量机的合作频谱感知算法。仿真结果表明:使用概率向量作为特征向量的基于支持向量机的合作频谱感知算法由于较低维数的训练特征向量,明显降低了训练持续时间和分类决策时间。