近些年,随着无线通信的快速发展,人们对频谱资源的需求变得越来越大。而无线电频谱资源作为一种有限且稀缺的公共资源,由于其相对固定的分配策略,使得频谱资源的利用率很低。认知无线电技术的提出为提高频谱利用率提供了一种可行方案。实现认知无线电系统的首要任务是要对无线环境中频谱状态进行实时感知来获取是否有空闲频谱存在,称为频谱感知。频谱感知技术能够让空闲的频谱资源得到充分利用,具有很重要的研究价值。目前已有许多成熟的频谱感知方法,但大多都是建立在背景噪声服从高斯分布的假设下。然而,在实际的认知无线电系统中,背景噪声往往包含脉冲噪声。许多传统的频谱感知方法在脉冲噪声下的感知性能下降严重,甚至可能失效。随着机器学习和多天线技术的发展,将机器学习算法和多天线技术应用到频谱感知中受到许多学者的青睐。支持向量机（Support Vector Machine,SVM）作为一种监督学习算法,具有坚实的数学理论基础和较强的泛化能力,在许多领域中都表现出了良好的性能。由此,本文将SVM与频谱感知技术相结合,对在脉冲噪声背景下的双天线频谱感知展开了深入研究,主要工作内容如下:首先,在脉冲噪声干扰背景下,本文提出了一种基于SVM的双天线单点频谱感知方法。针对含有脉冲噪声的感知信号,提出使用肯德尔秩次相关系数（Kendall’s Tau,KT）、极性重合相关器（Polarity Coincidence Correlator,PCC）、分数低阶矩（Fractional Lower Order Moments,FLOM）和对数矩（Logarithm Moment,LM）的特征提取方法。将已知频谱状态情况下的感知信号进行特征提取后,利用SVM算法进行离线训练,得到分类决策函数。在模型训练中,对于核函数参数,使用费希尔准则（Fisher’s criterion）进行核函数参数优化。最后,在线感知就是将认知用户感知到的信号经过特征提取后,代入到决策函数中进行计算,得到频谱状态。仿真实验表明,本文提出的基于SVM的双天线单点频谱感知方法在脉冲噪声下具有良好的感知性能。进一步地,针对单点频谱感知的数据处理能力有限,并且存在路径衰落、阴影效应以及隐藏终端等问题,采用集中式协作频谱感知技术。由多个认知用户将各自感知到的数据发送给融合中心,融合中心进行特征提取后,进行频谱状态的判决,并将结果发送回感知用户。由于SVM在训练时,对训练集的离群点非常敏感,引入模糊支持向量机（Fuzzy Support Vector Machine,FSVM）。FSVM作为SVM的改进算法,使用不同的隶属度有效的解决了SVM对离群点非常敏感的问题。本文提出使用6)近邻（kNearest Neighbor,k-NN）算法对每个训练集中的样本点进行隶属度计算,这样使得不同的样本点对分类超平面具有不同的贡献,从而缓解离群点敏感问题。实验结果表明,在多用户协作频谱感知的情况下,本文提出的频谱感知方法有效的提升了频谱感知的性能。